⽣成器与⽣成器函数与列表推导式

1. ⽣成器和⽣成器函数
2. 列表推导式
⼀. ⽣成器
什么是⽣成器. ⽣成器实质就是迭代器.
在python中有三种⽅式来获取⽣成器:
1. 通过⽣成器函数
2. 通过各种推导式来实现⽣成器
3. 通过数据的转换也可以获取⽣成器
⾸先, 我们先看⼀个很简单的函数:

def func():
　　print("111")
　　return 222
ret = func()
print(ret)
结果: 
111
222

将函数中的return换成yield就是⽣成器

def func():
　　print("111")
　　yield 222
ret = func()
print(ret)
结果: 
<generator object func at 0x10567ff68>

运⾏的结果和上⾯不⼀样. 为什么呢. 由于函数中存在了yield. 那么这个函数就是⼀个⽣成器
函数. 这个时候. 我们再执⾏这个函数的时候. 就不再是函数的执⾏了. ⽽是获取这个⽣成器.
如何使⽤呢? 想想迭代器. ⽣成器的本质是迭代器. 所以. 我们可以直接执⾏__next__()来执⾏
以下⽣成器.

def func():
    print("111")
    yield 222
gener = func() # 这个时候函数不会执⾏. ⽽是获取到⽣成器
ret = gener.__next__() # 这个时候函数才会执⾏. yield的作⽤和return⼀样. 也是返回
数据
print(ret)
结果: 
111
222

那么我们可以看到, yield和return的效果是⼀样的. 有什么区别呢? yield是分段来执⾏⼀个
函数. return呢? 直接停⽌执⾏函数.

def func():
    print("111")
    yield 222
    print("333")
    yield 444
gener = func()
ret = gener.__next__()
print(ret)
ret2 = gener.__next__()
print(ret2)
ret3 = gener.__next__() # 最后⼀个yield执⾏完毕. 再次__next__()程序报错, 也就是
说. 和return⽆关了.
print(ret3)
结果:
111
Traceback (most recent call last):
222
333
File "/Users/sylar/PycharmProjects/oldboy/iterator.py", line 55, in
<module>
444
ret3 = gener.__next__() # 最后⼀个yield执⾏完毕. 再次__next__()程序报错, 也
就是说. 和return⽆关了.
StopIteration

当程序运⾏完最后⼀个yield. 那么后⾯继续进⾏__next__()程序会报错.
好了⽣成器说完了. ⽣成器有什么作⽤呢? 我们来看这样⼀个需求. 老男孩向JACK JONES订
购10000套学⽣服. JACK JONES就比较实在. 直接造出来10000套衣服.

def cloth():
    lst = []
    for i in range(0, 10000):
        lst.append("⾐服"+str(i))
    return lst
cl = cloth()

但是呢, 问题来了. 老男孩现在没有这么多学⽣啊. ⼀次性给我这么多. 我往哪⾥放啊. 很尴尬
啊. 最好的效果是什么样呢? 我要1套. 你给我1套. ⼀共10000套. 是不是最完美的.

def cloth():
    for i in range(0, 10000):
        yield "⾐服"+str(i)
cl = cloth()
print(cl.__next__())
print(cl.__next__())
print(cl.__next__())
print(cl.__next__())

区别: 第⼀种是直接⼀次性全部拿出来. 会很占⽤内存. 第⼆种使⽤⽣成器. ⼀次就⼀个. ⽤多
少⽣成多少. ⽣成器是⼀个⼀个的指向下⼀个. 不会回去, __next__()到哪, 指针就指到哪⼉.
下⼀次继续获取指针指向的值.
接下来我们来看send⽅法, send和__next__()⼀样都可以让⽣成器执⾏到下⼀个yield.

def eat():
    print("我吃什么啊")
    a = yield "馒头"
    print("a=",a)
    b = yield "⼤饼"
    print("b=",b)
    c = yield "⾲菜盒⼦"
    print("c=",c)
    yield "GAME OVER"
gen = eat() # 获取⽣成器
ret1 = gen.__next__()
print(ret1)
ret2 = gen.send("胡辣汤")
print(ret2)
ret3 = gen.send("狗粮")
print(ret3)
ret4 = gen.send("猫粮")
print(ret4)

send和__next__()区别:
1. send和next()都是让⽣成器向下走⼀次
2. send可以给上⼀个yield的位置传递值, 不能给最后⼀个yield发送值. 在第⼀次执⾏⽣
成器代码的时候不能使⽤send()
⽣成器可以使⽤for循环来循环获取内部的元素:

def func():
    print(111)
    yield 222
    print(333)
    yield 444
    print(555)
    yield 666
gen = func()
for i in gen:
    print(i)
结果:
111
222
333
444
555
666

⼆. 列表推导式, ⽣成器表达式以及其他推导式
⾸先我们先看⼀下这样的代码, 给出⼀个列表, 通过循环, 向列表中添加1-13 :

lst = []
for i in range(1, 15):
    lst.append(i)
print(lst)

替换成列表推导式:

lst = [i for i in range(1, 15)]
print(lst)

列表推导式是通过⼀⾏来构建你要的列表, 列表推导式看起来代码简单. 但是出现错误之
后很难排查.
列表推导式的常⽤写法:
[ 结果for 变量in 可迭代对象]
例. 从python1期到python14期写入列表lst:

lst = ['python%s' % i for i in range(1,15)]
print(lst)

我们还可以对列表中的数据进⾏筛选
筛选模式:
[ 结果for 变量in 可迭代对象if 条件]

# 获取1-100内所有的偶数
lst = [i for i in range(1, 100) if i % 2 == 0]
    print(lst)

⽣成器表达式和列表推导式的语法基本上是⼀样的. 只是把[]替换成()

gen = (i for i in range(10))
print(gen)
结果: 
<generator object <genexpr> at 0x106768f10>

打印的结果就是⼀个⽣成器. 我们可以使⽤for循环来循环这个⽣成器:

gen = ("麻花藤我第%s次爱你" % i for i in range(10))
for i in gen:
print(i)

⽣成器表达式也可以进⾏筛选:

# 获取1-100内能被3整除的数
gen = (i for i in range(1,100) if i % 3 == 0)
for num in gen:
    print(num)

# 100以内能被3整除的数的平⽅
gen = (i * i for i in range(100) if i % 3 == 0)
for num in gen:
    print(num)

# 寻找名字中带有两个e的⼈的名字
names = [['Tom', 'Billy', 'Jefferson', 'Andrew', 'Wesley', 'Steven',
'Joe'],
['Alice', 'Jill', 'Ana', 'Wendy', 'Jennifer', 'Sherry', 'Eva']]

# 不⽤推导式和表达式
result = []
for first in names:
    for name in first:
        if name.count("e") >= 2:
            result.append(name)
print(result)

# 推导式
gen = (name for first in names for name in first if name.count("e") >= 2)
for name in gen:
    print(name)

⽣成器表达式和列表推导式的区别:
1. 列表推导式比较耗内存. ⼀次性加载. ⽣成器表达式⼏乎不占⽤内存. 使⽤的时候才分
配和使⽤内存
2. 得到的值不⼀样. 列表推导式得到的是⼀个列表. ⽣成器表达式获取的是⼀个⽣成器.
举个栗⼦.
同样⼀篮⼦鸡蛋. 列表推导式: 直接拿到⼀篮⼦鸡蛋. ⽣成器表达式: 拿到⼀个老⺟鸡. 需要
鸡蛋就给你下鸡蛋.
⽣成器的惰性机制: ⽣成器只有在访问的时候才取值. 说⽩了. 你找他要他才给你值. 不找他
要. 他是不会执⾏的.

def func():
    print(111)
    yield 222
g = func() # ⽣成器g
g1 = (i for i in g) # ⽣成器g1. 但是g1的数据来源于g
g2 = (i for i in g1) # ⽣成器g2. 来源g1
print(list(g)) # 获取g中的数据. 这时func()才会被执⾏. 打印111.获取到222. g完毕.
print(list(g1)) # 获取g1中的数据. g1的数据来源是g. 但是g已经取完了. g1 也就没有数据
了
print(list(g2)) # 和g1同理

深坑==> ⽣成器. 要值得时候才拿值.
字典推导式:
根据名字应该也能猜到. 推到出来的是字典

# 把字典中的key和value互换
dic = {'a': 1, 'b': '2'}
new_dic = {dic[key]: key for key in dic}
print(new_dic)

# 在以下list中. 从lst1中获取的数据和lst2中相对应的位置的数据组成⼀个新字典
lst1 = ['jay', 'jj', 'sylar']
lst2 = ['周杰伦', '林俊杰', '邱彦涛']
dic = {lst1[i]: lst2[i] for i in range(len(lst1))}
print(dic)

集合推导式:
集合推导式可以帮我们直接⽣成⼀个集合. 集合的特点: ⽆序, 不重复. 所以集合推导式⾃
带去重功能

lst = [1, -1, 8, -8, 12]
# 绝对值去重
s = {abs(i) for i in lst}
print(s)

总结: 推导式有, 列表推导式, 字典推导式, 集合推导式, 没有元组推导式
⽣成器表达式: (结果for 变量in 可迭代对象if 条件筛选)
⽣成器表达式可以直接获取到⽣成器对象. ⽣成器对象可以直接进⾏for循环. ⽣成器具有
惰性机制.
⼀个⾯试题. 难度系数500000000颗星:

def add(a, b):
    return a+ b

def test():
    for r_i in range(4):
        yield r_i

g = test() 

for n in [2, 10]:
    g = (add(n, i) for i in g)

print(list(g))

友情提⽰: 惰性机制, 不到最后不会拿值
这个题要先读⼀下. 然后⾃⼰分析出结果. 最后⽤机器跑⼀下.

来源：https://www.cnblogs.com/cainingning/p/9328596.html

标签

yield