生成器
1。 什麼是生成器
透過列表生成式,我們可以直接建立一個列表。但是,受到記憶體限制,列表容量肯定是有限的。而且,建立一個包含100萬個元素的列表,不僅佔用很大的儲存空間,如果我們僅僅需要訪問前面幾個元素,那後面絕大多數元素佔用的空間都白白浪費了。所以,如果列表元素可以按照某種演算法推算出來,那我們是否可以在迴圈的過程中不斷推算出後續的元素呢?這樣就不必建立完整的list,從而節省大量的空間。在Python中,這種一邊迴圈一邊計算的機制,稱為生成器:generator。
2。 建立生成器方法1
要建立一個生成器,有很多種方法。第一種方法很簡單,只要把一個列表生成式的 [ ] 改成 ( )
In [15]: L = [ x*2 for x in range(5)]
In [16]: L
Out[16]: [0, 2, 4, 6, 8]
In [17]: G = ( x*2 for x in range(5))
In [18]: G
Out[18]:
In [19]:
建立 L 和 G 的區別僅在於最外層的 [ ] 和 ( ) , L 是一個列表,而 G 是一個生成器。我們可以直接打印出L的每一個元素,但我們怎麼打印出G的每一個元素呢?如果要一個一個打印出來,可以透過 next() 函式獲得生成器的下一個返回值:
In [19]: next(G)
Out[19]: 0
In [20]: next(G)
Out[20]: 2
In [21]: next(G)
Out[21]: 4
In [22]: next(G)
Out[22]: 6
In [23]: next(G)
Out[23]: 8
In [24]: next(G)
——————————————————————————————————————-
StopIteration Traceback (most recent call last)
——> 1 next(G)
StopIteration:
In [25]:
In [26]: G = ( x*2 for x in range(5))
In [27]: for x in G:
。。。。: print(x)
。。。。:
0
2
4
6
8
In [28]:
生成器儲存的是演算法,每次呼叫 next(G) ,就計算出 G 的下一個元素的值,直到計算到最後一個元素,沒有更多的元素時,丟擲 StopIteration 的異常。當然,這種不斷呼叫 next() 實在是太變態了,正確的方法是使用 for 迴圈,因為生成器也是可迭代物件。所以,我們建立了一個生成器後,基本上永遠不會呼叫 next() ,而是透過 for 迴圈來迭代它,並且不需要關心 StopIteration 異常。
3。 建立生成器方法2
generator非常強大。如果推算的演算法比較複雜,用類似列表生成式的 for 迴圈無法實現的時候,還可以用函式來實現。
比如,著名的斐波拉契數列(Fibonacci),除第一個和第二個數外,任意一個數都可由前兩個數相加得到:
1, 1, 2, 3, 5, 8, 13, 21, 34, 。。。
斐波拉契數列用列表生成式寫不出來,但是,用函式把它打印出來卻很容易:
In [28]: def fib(times):
。。。。: n = 0
。。。。: a,b = 0,1
。。。。: while n 。。。。: print(b) 。。。。: a,b = b,a+b 。。。。: n+=1 。。。。: return ‘done’ 。。。。: In [29]: fib(5) 1 1 2 3 5 Out[29]: ‘done’ 仔細觀察,可以看出,fib函式實際上是定義了斐波拉契數列的推算規則,可以從第一個元素開始,推算出後續任意的元素,這種邏輯其實非常類似generator 也就是說,上面的函式和generator僅一步之遙。要把fib函式變成generator,只需要把print(b)改為yield b就可以了: In [30]: def fib(times): 。。。。: n = 0 。。。。: a,b = 0,1 。。。。: while n 。。。。: yield b 。。。。: a,b = b,a+b 。。。。: n+=1 。。。。: return ‘done’ 。。。。: In [31]: F = fib(5) In [32]: next(F) Out[32]: 1 In [33]: next(F) Out[33]: 1 In [34]: next(F) Out[34]: 2 In [35]: next(F) Out[35]: 3 In [36]: next(F) Out[36]: 5 In [37]: next(F) ——————————————————————————————————————- StopIteration Traceback (most recent call last) ——> 1 next(F) StopIteration: done 在上面fib 的例子,我們在迴圈過程中不斷呼叫 yield ,就會不斷中斷。當然要給迴圈設定一個條件來退出迴圈,不然就會產生一個無限數列出來。同樣的,把函式改成generator後,我們基本上從來不會用 next() 來獲取下一個返回值,而是直接使用 for 迴圈來迭代: In [38]: for n in fib(5): 。。。。: print(n) 。。。。: 1 1 2 3 5 In [39]: 但是用for迴圈呼叫generator時,發現拿不到generator的return語句的返回值。如果想要拿到返回值,必須捕獲StopIteration錯誤,返回值包含在StopIteration的value中: In [39]: g = fib(5) In [40]: while True: 。。。。: try: 。。。。: x = next(g) 。。。。: print(“value:%d”%x) 。。。。: except StopIteration as e: 。。。。: print(“生成器返回值:%s”%e。value) 。。。。: break 。。。。: value:1 value:1 value:2 value:3 value:5 生成器返回值:done In [41]: 4。 send 例子:執行到yield時,gen函式作用暫時儲存,返回i的值;temp接收下次c。send(“python”),send傳送過來的值,c。next()等價c。send(None) In [10]: def gen(): 。。。。: i = 0 。。。。: while i<5: 。。。。: temp = yield i 。。。。: print(temp) 。。。。: i+=1 。。。。: 使用next函式 In [11]: f = gen() In [12]: next(f) Out[12]: 0 In [13]: next(f) None Out[13]: 1 In [14]: next(f) None Out[14]: 2 In [15]: next(f) None Out[15]: 3 In [16]: next(f) None Out[16]: 4 In [17]: next(f) None ——————————————————————————————————————- StopIteration Traceback (most recent call last) ——> 1 next(f) StopIteration: 使用__next__()方法 In [18]: f = gen() In [19]: f。__next__() Out[19]: 0 In [20]: f。__next__() None Out[20]: 1 In [21]: f。__next__() None Out[21]: 2 In [22]: f。__next__() None Out[22]: 3 In [23]: f。__next__() None Out[23]: 4 In [24]: f。__next__() None ——————————————————————————————————————- StopIteration Traceback (most recent call last) ——> 1 f。__next__() StopIteration: 使用send In [43]: f = gen() In [44]: f。__next__() Out[44]: 0 In [45]: f。send(‘haha’) haha Out[45]: 1 In [46]: f。__next__() None Out[46]: 2 In [47]: f。send(‘haha’) haha Out[47]: 3 In [48]: 總結 生成器是這樣一個函式,它記住上一次返回時在函式體中的位置。對生成器函式的第二次(或第 n 次)呼叫跳轉至該函式中間,而上次呼叫的所有區域性變數都保持不變。 生成器不僅“記住”了它資料狀態;生成器還“記住”了它在流控制構造(在指令式程式設計中,這種構造不只是資料值)中的位置。 生成器的特點: 節約記憶體 迭代到下一次的呼叫時,所使用的引數都是第一次所保留下的,即是說,在整個所有函式呼叫的引數都是第一次所呼叫時保留的,而不是新建立的