python 基础 列表生成式 生成器
列表生成式
列表生成式即List Comprehensions,是Python内置的非常简单却强大的可以用来创建list的生成式
举个例子,要生成list [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
可以用range(1, 11)
:
>>> range(1, 11)
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
普通循环
>>>a = []
>>> for i in range(10):
... a.append( i*2 )
...
>>> a
[0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
但是循环太繁琐,而列表生成式则可以用一行语句代替循环生成上面的list:
>>> [ i*2 for i in range(10) ]
[0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
写列表生成式时,把要生成的元素x * x
放到前面,后面跟for
循环,就可以把list创建出来
看列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9],我要求你把列表里的每个值加1,你怎么实现?你可能会想到2种方式 # 普通青年版
>>> a = [1,2,3,4,5,6,7,8]
>>>
>>> b = []
>>>
>>> for i in a:b.append( i+1 )
...
>>> b
[2, 3, 4, 5, 6, 7, 8, 9]
>>> a = b
>>> a
[2, 3, 4, 5, 6, 7, 8, 9]
>>> # 装逼青年版
>>> a =[ i+1 for i in range(10) ]
>>>
>>> a
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
运用列表生成式,可以快速生成list,可以通过一个list推导出另一个list,而代码却十分简洁
a = [i for i in b if i] # ==这种方法 a = [1,2,3,4,5,6,7,8] if a:
for b in a:
print(b) #
>>> a = [1,2,3,4,5,6,7,8]
>>>
>>>
>>> b = [i for i in a if i]
>>> b
[1, 2, 3, 4, 5, 6, 7, 8]
生成器
通过列表生成式,我们可以直接创建一个列表。但是,受到内存限制,列表容量肯定是有限的。而且,创建一个包含100万个元素的列表,不仅占用很大的存储空间,如果我们仅仅需要访问前面几个元素,那后面绝大多数元素占用的空间都白白浪费了。
所以,如果列表元素可以按照某种算法推算出来,那我们是否可以在循环的过程中不断推算出后续的元素呢?这样就不必创建完整的list,
从而节省大量的空间。在Python中,这种一边循环一边计算的机制,称为生成器:generator
生成器 只有在调用时才会生成相应的数据 列表生成式 用[] 生成器改成()
>>> ( i*2 for i in range(10) )
<generator object <genexpr> at 0x0000000002105A98>
>>>
>>> b = ( i*2 for i in range(10) )
>>>
>>> for i in b:
... print(i)
...
0
2
4
6
8
10
12
14
16
18
>>>
生成器与列表区别 生成器调用才生成数据
>>> c = ( i*2 for i in range(1000) )
>>> c
<generator object <genexpr> at 0x0000000002105B48> # 没有生成数据 除非你访问他
>>> >>> c = ( i*2 for i in range(1000) )
>>> c.__next__() # 生成器用next函数去一个一个去取
6
>>>
>>> c.__next__()
8
>>>
>>> c.__next__()
10
>>>
生成器练习
>>> a = [ i*2 for i in range(10) ]
>>> a
[0, 2, 4, 6, 8, 10, 12, 14, 16, 18] >>> g = ( i*2 for i in range(50) )
>>>
>>> g
<generator object <genexpr> at 0x000001DF85566BF8>
创建a和g的区别仅在于最外层的[]和(),a是一个list,而g是一个generator。
我们可以直接打印出list的每一个元素,但我们怎么打印出generator的每一个元素?
如果要一个一个打印出来,可以通过 __next__()函数获得generator的下一个返回值:
>>> g
<generator object <genexpr> at 0x000001DF85566BF8>
>>>
>>> g.__next__()
0
>>> g.__next__()
2
>>> g.__next__()
4
>>> g.__next__()
6
>>> g.__next__()
8
>>> g.__next__()
10
>>> g.__next__()
12
>>> g.__next__()
14
>>> g.__next__()
16
generator保存的是算法,每次调用next(g)
,就计算出g
的下一个元素的值,直到计算到最后一个元素,没有更多的元素时,抛出StopIteration
的错误。
当然,上面这种不断调用next(g)
实在是太变态了,正确的方法是使用for
循环,因为generator也是可迭代对象
>>> g = ( i*2 for i in range(10) )
>>>
>>> for i in g:
... print(i)
...
0
2
4
6
8
10
12
14
16
18
>>>
所以,我们创建了一个generator后,基本上永远不会调用next()
,而是通过for
循环来迭代它,并且不需要关心StopIteration
的错误。
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
不能往前走,也不能后退
只记录当前位置
只有一个方法 3.6 __next__() 函数方法。 2.7 next() 函数 优点: 便于循环比较大的数据集合,节省内存
生成器扩展 斐波拉契
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:
def fib(max):
n, a, b = 0, 0, 1
while n < max:
print(b)
a, b = b, a + b # a=1 b=2
n = n + 1
return 'done' fib(10) # 赋值语句:
a, b = b, a + b # a=1 b=2 上面的函数可以输出斐波那契数列的前N个数:
1
1
2
3
5
8
13
21
34
55
斐波拉契数列1
def fib(max):
n, a, b = 0, 0, 1
while n < max:
#print(b)
yield b
a, b = b, a + b # a=1 b=2
n = n + 1
return 'done' f = fib(10)
g = fib(6)
while True:
try:
x = next(g)
print('g:', x)
except StopIteration as e:
print('Generator return value:', e.value)
break print("===== start loop =====")
for i in f:
print(i)
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:
def fib(max):
n, a, b = 0, 0, 1
while n < max:
#print(b)
yield b
a, b = b, a + b # a=1 b=2
n = n + 1
return 'done' f = fib(50) # 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:
print(f) <generator object fib at 0x0000028A4E959AF0>
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。
def fib(max):
n, a, b = 0, 0, 1
while n < max:
#print(b)
yield b
a, b = b, a + b # a=0 b=1 a=1 b=1 a=1 b=2 a=2 b=3
n = n + 1
return 'done' f = fib(50)
# print(f) print(f.__next__())
print("==========")
print(f.__next__())
print("==========")
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__()) # 执行结果
1
==========
1
==========
2
3
5
8
13
21
34
55
89
在上面fib
的例子,我们在循环过程中不断调用yield
,就会不断中断。当然要给循环设置一个条件来退出循环,不然就会产生一个无限数列出来。
同样的,把函数改成generator后,我们基本上从来不会用next()
来获取下一个返回值,而是直接使用for
循环来迭代:
def fib(max):
n, a, b = 0, 0, 1
while n < max:
#print(b)
yield b
a, b = b, a + b # a=0 b=1 a=1 b=1 a=1 b=2 a=2 b=3
n = n + 1
return 'done' f = fib(50) print("===== start loop =====")
for i in f:
print(i) # 执行结果
===== start loop =====
1
1
2
3
5
8
13
21
34
55
89
通过yield实现在单线程的情况下实现并发运算的效果
通过生成器实现协程并行运算
def consumer(name):
print("%s 准备吃包子啦!" %name)
while True:
baozi = yield print("包子[%s]来了,被[%s]吃了!" %(baozi,name)) c = consumer("mike")
c.__next__()
b1 = "榨菜"
c.send(b1) # send 给yield传值 并且唤醒
生成器并行
def consumer(name):
print("%s 准备吃包子啦!" %name)
while True:
baozi = yield print("包子[%s]来了,被[%s]吃了!" %(baozi,name)) def producer(name):
c = consumer('A')
c2 = consumer('B')
c.__next__()
c2.__next__()
print("老子开始准备做包子啦!")
for i in range(10):
time.sleep(1)
print("做了2个包子!")
c.send(i)
c2.send(i) producer("ming")
最新文章
- Linux下连接MSSQL之安装FreeTDS
- web性能优化——浏览器相关
- VS2013无法启动 IIS Express Web解决办法
- 深入了解webservice_开发实战篇
- qml操作播放器
- 使用文档注释(javadoc)
- android学习日记12--布局管理器
- 【笔试】T实习生2014 总结
- linux中配置maven环境
- webstrom官方的活动模版介绍
- C# 压缩PDF图片
- 让 Python 的1、数据库查询返回字典记录--- 2、利用zip函数将两个列表(list)组成字典(dict)
- Win8.1 查看 “Windows 体验指数“
- Dynamics CRM Instances
- 初始nginx(启动运行) 使用nginx做一个简单的静态资源服务器
- TFT LCD显示原理详解
- Compile SQLite3 from individual files
- Django项目关闭debug模式后,静态文件无法加载的解决办法
- ios开发之--UITextField光标右移
- TEXT 8 Ready, fire, aim
热门文章
- tablayout在中间显示
- NUC972裸机调试步骤
- 51单片机的idata,xdata,pdata,data的详解(转)
- IOS网络篇1之截取本地URL请求(NSURLProtocol)
- SpringMVC系列之主要组件
- (转)C语言中长度为0的数组
- 【.netcore学习】.netcore添加到 supervisor 守护进程自启动报错
- 脚本学习 game.sh
- POJ 3258 River Hopscotch(二分答案)
- [BeiJing2011]元素[贪心+线性基]