Python高级特性:Python迭代、生成器、列表生成式
迭代
给定一个list或tuple,我们可以通过for
循环来遍历这个list或tuple,这种遍历称为迭代(Iteration)。
在java和C语言中,迭代是通过循环list的下标来完成的,Python中迭代的抽象程度更高,不仅可以迭代list和tuple,而且可以迭代任何可迭代对象,包括我们自己创建的数据类型,只要符合迭代条件,无论有无下标,都可以使用for循环。
Python中的迭代是通过for …in …来完成的。
字典的迭代
比如字典就是可以迭代的:
1 >>> d = {'a': 1, 'b': 2, 'c': 3}
2 >>> for key in d:
3 ... print(key)
4 ...
5 a
6 c
7 b
字典这种数据类型不是想list中元素那样有序排列的,所以每次输出的结果可能会不一样的,而且默认是对key的遍历。
如果想遍历value:
1 >>> for v in d.values():
2 print(v)
3 2
4 1
5 3
遍历key和value:
1 >>> for k,v in d.items():
2 print(k,v)
3 b 2
4 a 1
5 c 3
字符串遍历:
1 >>> for ch in 'bolenjack':
2 print(ch)
3 b
4 o
5 l
6 e
7 n
8 j
9 a
10 c
11 k
利用enumbered 函数遍历:
如果Python中也想实现下标遍历,可以利用内置的enumbered函数:
1 >>> for ch in enumerate('bolenyingying'):
2 print(ch)
3
4
5 (0, 'b')
6 (1, 'o')
7 (2, 'l')
8 (3, 'e')
9 (4, 'n')
10 (5, 'y')
11 (6, 'i')
12 (7, 'n')
13 (8, 'g')
14 (9, 'y')
15 (10, 'i')
16 (11, 'n')
17 (12, 'g')
18 >>> for ch in enumerate([1,2,5,8]):
19 print(ch)
20
21
22 (0, 1)
23 (1, 2)
24 (2, 5)
25 (3, 8)
1 >>> for i, value in enumerate(['A', 'B', 'C']):
2 ... print(i, value)
3 ...
4 0 A
5 1 B
6 2 C
由上可以看出,我们使用Python遍历时只要是可迭代对象就行,不关心具体的数据类型。
那么怎么来判断是否是可迭代对象呢?可以通过collections模块中的iterable类型判断:
1 >>> isinstance([123,4],Iterable)
2 True
3 >>> isinstance('abc',Iterable)
4 True
注意:isinstance()是内建函数。例如isinstance('abc',str)
最后注意下,可以引用多个变量迭代,在Python中也是较常用的:
1 >>> for x,y,z in ([1,2,3],[4,5,6],[77,88,90]):
2 print(x,y,z)
3 1 2 3
4 4 5 6
5 77 88 90
迭代器
我们已经知道,可以直接作用于for
循环的数据类型有以下几种:
一类是集合数据类型,如list
、tuple
、dict
、set
、str
等;
一类是generator
,包括生成器和带yield
的generator function。
这些可以直接作用于for
循环的对象统称为可迭代对象:Iterable
。
可以使用isinstance()
判断一个对象是否是Iterable
对象:
1 >>> from collections import Iterable
2 >>> isinstance([], Iterable)
3 True
4 >>> isinstance({}, Iterable)
5 True
6 >>> isinstance('abc', Iterable)
7 True
8 >>> isinstance((x for x in range(10)), Iterable)
9 True
10 >>> isinstance(100, Iterable)
11 False
而生成器不但可以作用于for
循环,还可以被next()
函数不断调用并返回下一个值,直到最后抛出StopIteration
错误表示无法继续返回下一个值了。
可以被next()
函数调用并不断返回下一个值的对象称为迭代器:Iterator
。
可以使用isinstance()
判断一个对象是否是Iterator
对象:
1 >>> from collections import Iterator
2 >>> isinstance((x for x in range(10)), Iterator)
3 True
4 >>> isinstance([], Iterator)
5 False
6 >>> isinstance({}, Iterator)
7 False
8 >>> isinstance('abc', Iterator)
9 False
生成器都是Iterator
对象,但list
、dict
、str
虽然是Iterable
,却不是Iterator
。
把list
、dict
、str
等Iterable
变成Iterator
可以使用iter()
函数:
1 >>> isinstance(iter([]), Iterator)
2 True
3 >>> isinstance(iter('abc'), Iterator)
4 True
你可能会问,为什么list
、dict
、str
等数据类型不是Iterator
?
这是因为Python的Iterator
对象表示的是一个数据流,Iterator对象可以被next()
函数调用并不断返回下一个数据,直到没有数据时抛出StopIteration
错误。可以把这个数据流看做是一个有序序列,但我们却不能提前知道序列的长度,只能不断通过next()
函数实现按需计算下一个数据,所以Iterator
的计算是惰性的,只有在需要返回下一个数据时它才会计算。
Iterator
甚至可以表示一个无限大的数据流,例如全体自然数。而使用list是永远不可能存储全体自然数的。
小结
凡是可作用于for
循环的对象都是Iterable
类型;
凡是可作用于next()
函数的对象都是Iterator
类型,它们表示一个惰性计算的序列;
集合数据类型如list
、dict
、str
等是Iterable
但不是Iterator
,不过可以通过iter()
函数获得一个Iterator
对象。
Python的for
循环本质上就是通过不断调用next()
函数实现的,例如:
1 for x in [1, 2, 3, 4, 5]:
2 pass
实际上完全等价于:
1 # 首先获得Iterator对象:
2 it = iter([1, 2, 3, 4, 5])
3 # 循环:
4 while True:
5 try:
6 # 获得下一个值:
7 x = next(it)
8 except StopIteration:
9 # 遇到StopIteration就退出循环
10 break
生成器
通过列表生成式,我们可以创建一个列表。但是受内存空间的限制,其容量是有限的。如果列表元素过多的话,会占用大量空间,而且创建列表后,如果只访问前几个元素,后面的空间也浪费了。
生成器的存在就是为了解决这样的问题。它的机制是一边循环一边计算,只有在访问到这个元素时才计算出这个元素。在Python中把这种一边循环,一边计算的机制称为generator。
要创建一个生成器有很多种方法,第一种很简单,只要把列表生成式的[]换为(),列表也就变成了一个生成器。
1 >>> [x * x for x in range(11)]
2 [0, 1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
3 >>> (x * x for x in range(11))
4 <generator object <genexpr> at 0x000001AC63EAC830>
列表可以直接打印出来,那么生成器的元素如何打印呢?
可以通过next()方法,一个个去打印元素,直到抛出StopIteration的错误。
1 >>> g
2 <generator object <genexpr> at 0x000001AC63EAC7D8>
3 >>> next(g)
4 0
5 >>> next(g)
6 1
7 >>> next(g)
8 4
9 >>> next(g)
10 9
11 >>> next(g)
12 16
13 >>> next(g)
14 25
15 >>> next(g)
16 36
17 >>> next(g)
18 49
19 >>> next(g)
20 64
21 >>> next(g)
22 81
23 >>> next(g)
24 100
25 >>> next(g)
26 Traceback (most recent call last):
27 File "<pyshell#136>", line 1, in <module>
28 next(g)
29 StopIteration
generator保存的其实是一个算法,每次调用next(g)就调用一个g的值。但这种方法太不方便,正确的作法是通过for循环遍历。
1 >>> g = (x * x for x in range(11))
2 >>> for m in g:
3 print(m)
4 0
5 1
6 4
7 9
8 16
9 25
10 36
11 49
12 64
13 81
14 100
所以我们创建generator后,基本不会使用next()方法,而是通过for循环遍历,也不用关心stop iteration的异常。
generator非常强大。如果推算的算法比较复杂,用类似列表生成式的for
循环无法实现的时候,还可以用函数来实现。
比如,著名的斐波拉契数列(Fibonacci),除第一个和第二个数外,任意一个数都可由前两个数相加得到:
1, 1, 2, 3, 5, 8, 13, 21, 34, ...
斐波拉契数列用列表生成式写不出来,但是,用函数把它打印出来却很容易:
1 def fib(max):
2 n, a, b = 0, 0, 1
3 while n < max:
4 print(b)
5 a, b = b, a + b
6 n = n + 1
7 return 'done'
仔细观察,可以看出,fib
函数实际上是定义了斐波拉契数列的推算规则,可以从第一个元素开始,推算出后续任意的元素,这种逻辑其实非常类似generator。
也就是说,上面的函数和generator仅一步之遥。要把fib
函数变成generator,只需要把print(b)
改为yield b
就可以了:
1 def fib(max):
2 n, a, b = 0, 0, 1
3 while n < max:
4 yield b
5 a, b = b, a + b
6 n = n + 1
7 return 'done'
这就是定义generator的另一种方法。如果一个函数定义中包含yield
关键字,那么这个函数就不再是一个普通函数,而是一个generator。
这里,最难理解的就是generator和函数的执行流程不一样。函数是顺序执行,遇到return
语句或者最后一行函数语句就返回。而变成generator的函数,在每次调用next()
的时候执行,遇到yield
语句返回,再次执行时从上次返回的yield
语句处继续执行。
但是用for
循环调用generator时,发现拿不到generator的return
语句的返回值。如果想要拿到返回值,必须捕获StopIteration
错误,返回值包含在StopIteration
的value
中:
1 >>> g = fib(6)
2 >>> while True:
3 ... try:
4 ... x = next(g)
5 ... print('g:', x)
6 ... except StopIteration as e:
7 ... print('Generator return value:', e.value)
8 ... break
9 ...
10 g: 1
11 g: 1
12 g: 2
13 g: 3
14 g: 5
15 g: 8
16 Generator return value: done
附:杨辉三角练习。
1 def triangles():
2 L=[1]
3 while True:
4 yield L
5 L = [1] + [ L[x-1] + L[x] for x in range(1,len(L)) ] + [1]
6 n = 0
7 for t in triangles():
8 print(t)
9 n = n + 1
10 if n == 10:
11 break
列表生成式
列表生成式其实是一种语法糖。
如果要生成list[1,2,3,4,5,6,7,8,9,10],可以用L = list(range(1,11)),但是要生成L*L怎么办?
可以用for循环:
1 >>> for x in list(range(1,11)):
2 L.append(x*x)
3 >>> L
4 [1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
但这样太麻烦了,其实可以用列表生成式一行搞定:
1 >>> L1 = [x*x for x in list(range(1,11))]
2 >>> L1
3 [1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
4 >>> [x * x for x in list(range(1,11)) if x % 2 ==1]
5 [1, 9, 25, 49, 81]
而且后面还以跟if语句实现所有奇数的平方。
利用列表生成式可以写出非常简洁的代码:
1 >>> [d for d in os.listdir('c:/')]
2 ['$360Section', '$Recycle.Bin', '$WINRE_BACKUP_PARTITION.MARKER', '360SANDBOX', 'AMTAG.BIN', 'Boot', 'bootmgr', 'BOOTNXT', 'BOOTSECT.BAK', 'Config.Msi', 'cygwin64', 'Documents and Settings', 'DRMsoft', 'hiberfil.sys', 'Intel', 'OneDriveTemp', 'pagefile.sys', 'PerfLogs', 'Program Files', 'Program Files (x86)', 'ProgramData', 'Recovery', 'swapfile.sys', 'System Volume Information', 'Users', 'Windows']
下面看一些列表生成式的高级用法。
列表生成式的双层循环:
1 >>> [x + y for x in 'ABC' for y in 'XYZ']
2 ['AX', 'AY', 'AZ', 'BX', 'BY', 'BZ', 'CX', 'CY', 'CZ']
列表生成式的多变量引用
1 >>> d = {'x': 'A', 'y': 'B', 'z': 'C' }
2 >>> [k + '=' + v for k, v in d.items()]
3 ['y=B', 'x=A', 'z=C']
最后看一个小应用:
把下列所有大写字母转换成小写字母。
1 >>> L = ['Hello', 'World', 18, 'Apple', None]
2 >>> [s.lower() for s in L if isinstance(s,str)]
3 ['hello', 'world', 'apple']
注意事项:(引自CSDN网友)
1. 当需要只是执行一个循环的时候尽量使用循环而不是列表解析, 这样更符合Python提倡的直观性:
1 >>> for x in d:
2 print (x)
2. 当有内建的操作或者类型能够以更直接的方式实现的, 不要使用列表解析.
例如复制一个列表时, 使用; L1=list(L) 即可, 不必使用: L1=[x for x in L]
3. 如果需要对每个元素都调用并且返回结果时, 应使用 L1=map(f,L), 而不是 L1=[f(x) for x in L].
最新文章
- Android之菜单总结
- Unit01: JAVA开发环境
- ruby 分析日志,提取特定记录
- 【解决】如何导入导出SharePoint列表和文档库
- winform C#获得Mac地址,IP地址,子网掩码,默认网关
- input的button和submit的区别
- cocos2d-html5 Layer 和 Scene 创建模式
- HW2.6
- java--jsp+ssh+select动态结合数据和选择(解)
- Servlet中forward和redirect的区别(转)
- (NO.00003)iOS游戏简单的机器人投射游戏成形记(十四)
- SpringBoot 动态切换多数据源
- 题解-洛谷P1981 表达式求值(模拟+处理优先级的递归)
- Pandas 学习笔记
- Python-接口自动化(二)
- 学习STM32,你不得不了解的五大嵌入式操作系统
- C#:文件夹匹配
- JavaScript 深入了解对象中的属性
- PS学习之餐饮行业修图
- SPSS-比较均值-独立样本T检验 案例解析