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].

巴特西

Python高级特性：Python迭代、生成器、列表生成式

迭代

迭代器

小结

生成器

列表生成式

最新文章

热门文章