迭代器和生成器

应用场景:处理大量数据或需要节省内存

迭代器

迭代器是遵循迭代器协议的对象，即它们实现了__iter__()和__next__()两个方法。__iter__()返回迭代器对象本身，__next__()返回序列的下一个元素。如果没有更多元素可返回，则抛出StopIteration异常。

iter( )方法：

在Python中，iter()函数用于获取一个迭代器。它通常与集合数据类型（如列表、元组、字典、集合等）一起使用，以获取这些数据类型的迭代器对象。
以下是iter()函数的基本用法：

1. 无参数调用：iter()可以不带参数调用，这时它会返回一个空的迭代器。

   iter()

2. 调用具有__iter__()方法的对象：如果对象实现了__iter__()方法，iter()函数将调用这个方法来获取迭代器。

   my_iter = iter(my_object)

3. 调用具有__getitem__()方法的对象：如果对象实现了__getitem__()方法，iter()函数会创建一个迭代器，尝试按顺序获取对象的元素。

   my_iter = iter(my_object)

4. 调用带有两个参数：iter()也可以接受两个参数，其中第一个参数是函数，第二个参数是哨符(哨符（sentinel）是一个特殊的值，用于在迭代过程中指示何时停止。通常，哨符与iter()函数的第二个参数一起使用，以创建一个迭代器，该迭代器重复调用函数直到它返回哨符值。这种用法允许创建一个基于某些条件停止的迭代器，而不是基于固定数量的元素或项。哨符通常用于文件处理，其中哨符可以是一个特殊的行或字符，指示文件的结束)。这种用法用于创建一个迭代器，该迭代器重复调用函数直到它返回哨符值。

   my_iter = iter(function, sentinel)

示例:

展示如何使用iter()函数获取列表的迭代器

# 创建一个列表

my_list = [1, 2, 3, 4, 5]

# 使用iter()获取列表的迭代器

my_iter = iter(my_list)

# 使用next()获取迭代器的下一个元素

next_element = next(my_iter)
next_element

使用iter()函数获取列表[1, 2, 3, 4, 5]的迭代器后，我们使用next()函数获取迭代器的下一个元素，得到的结果是1。
也可以使用next()函数连续调用迭代器来遍历列表中的所有元素。当没有更多元素可返回时，next()函数会抛出StopIteration异常。

next()方法:

next()函数用于获取迭代器的下一个元素。当你有一个迭代器对象时，你可以使用next()函数来逐个访问其元素，直到没有更多元素可访问，此时next()会抛出StopIteration异常。

迭代器是一个实现了__next__()方法的对象，该方法返回序列的下一个元素。next()函数简单地调用迭代器的__next__()方法。

迭代器用于遍历集合，如列表、元组、字典和集合等，而不需要在内存中存储整个集合。这意味着迭代器在处理大数据集时非常高效。

迭代器示例

用于创建一个可以生成斐波那契数列的迭代器：

class FibonacciIterator:
    def __init__(self, n):
        self.n = n
        self.a, self.b = 0, 1
        self.count = 0

    def __iter__(self):
        return self

    def __next__(self):
        if self.count < self.n:
            value = self.a
            self.a, self.b = self.b, self.a + self.b
            self.count += 1
            return value
        else:
            raise StopIteration

# 使用迭代器生成前10个斐波那契数
fib_iter = FibonacciIterator(10)
list(fib_iter)

在这个迭代器中：

• __init__ 方法初始化迭代器，设置要生成的斐波那契数的数量（n），并初始化两个变量 a 和 b，分别代表数列中的前两个数。
• __iter__ 方法返回迭代器对象本身。
• __next__ 方法计算下一个斐波那契数，并更新 a 和 b 的值。如果生成的斐波那契数的数量达到了指定的数量（n），则抛出 StopIteration 异常。

生成器

在Python中，生成器是一种特殊类型的迭代器，它使用yield语句来生产一系列的值，用于迭代。生成器的优势在于它提供了惰性求值（lazy evaluation），这意味着它只在需要时生成值，而不是一次性生成所有值。这样做可以节省内存并提高效率。
生成器函数的定义与普通函数类似，但有以下特点：

• 包含yield关键字。
• 当函数被调用时，它返回一个生成器对象，但不会立即执行函数体。
• 当生成器对象的__next__()方法被调用时，函数体开始执行，直到遇到yield语句，此时它返回yield后的值并暂停执行。

下次调用__next__()时，函数从上次暂停的地方继续执行，直到再次遇到yield或函数结束。

yield关键字

yield VS return

• return作为结尾的普通函数直接返回所有结果，程序终止不再运行，并销毁局部变量；
• yield会产生一个断点，暂停函数，挂起函数，保存当前状态。并且在yield处返回某个值，返回之后程序就不再往下运行了。

示例：

def fun_yield():
    print("starting fun yield")
    while True:
        res = yield 4
        print("判断yield之后是否继续执行",res)

g = fun_yield() # 调用这个函数只是会得到一个生成器
print("函数结果是一个生成器：",g)

print("对此生成器还是进行调用：")
print("第一次调用")
print("生成器的返回值",next(g))
print("第二次调用")
print("生成器的返回值",next(g))
print("第三次调用")
print("生成器的返回值",next(g))

结果：

• 程序开始执行以后，因为fun_yield中有yield关键字，所以函数并不会真的执行，而是先得到一个实例化的生成器对象，结果1可以看出不会真的运行。

• 直到调用next()，fun_yield正式开始执行，先执行函数中的print(“starting fun yield”)，然后进入while循环，结果2可以看出

• 程序遇到yield关键字，然后把yield理解为return，return了一个4之后，程序停止，并没有执行后面的print(“判断yield之后是否继续执行”,res)操作，此时next(g)语句执行完成，所以输出的前两行，接下来准备运行第二次调用，结果3可以看出

• 执行下面的print(“生成器的返回值”,next(g))，这个时候和上面那个差不多，不过不同的是，这个时候是从上一次yield停止的断点开始执行，也就是要执行print(“判断yield之后是否继续执行”,res)操作，这时候要注意，这个时候赋值操作的右边是没有值的（因为刚才那个是return出去了，并没有给赋值操作的左边传参数，也就相当于说res里面是没有内容的），所以这个时候res赋值是None，所以接着下面的输出就是None，结果4可以看出

• 之后的程序会继续在while里执行，又一次碰到yield，这个时候同样return出4，结果5可以看出

生成器示例

def fibonacci_generator(n):
  """生成斐波那契数列的生成器函数"""
  a, b = 0, 1
  for _ in range(n):
      yield a
      a, b = b, a + b

#创建一个生成器对象，用于生成前10个斐波那契数

fib_gen = fibonacci_generator(10)

#使用next()获取生成器的下一个元素

fibonacci_sequence = [next(fib_gen) for _ in range(10)]
fibonacci_sequence
[0, 1, 1, 2, 3, 5, 8, 13, 21, 34]

使用生成器函数fibonacci_generator，我们成功地生成了前10个斐波那契数：0, 1, 1, 2, 3, 5, 8, 13, 21, 34。
这个示例展示了生成器如何简化生成序列的过程，同时节省内存。由于生成器在迭代时只生成当前需要的值，因此它们在处理大数据集或无限序列时特别有用。