迭代器（iterator）
def add(s, x):
return s + x
def gen():
for i in range(4):
yield i
base = gen()
for n in [1, 10]:
base = (add(i, n) for i in base)
print list(base)这个东西输出可以脑补一下， 结果是[20,21,22,23], 而不是[10, 11, 12, 13]。
要说生成器，必须首先说迭代器
区分iterable,iterator与itertion
讲到迭代器，就需要区别几个概念:iterable,iterator,itertion, 看着都差不多，其实不然。下面区分一下。
itertion: 就是迭代,一个接一个(one after another),是一个通用的概念，比如一个循环遍历某个数组。
iterable: 这个是可迭代对象,属于python的名词，范围也很广，可重复迭代，满足如下其中之一的都是iterable:
- 可以for循环: for i in iterable
- 可以按index索引的对象，也就是定义了getitem方法，比如list,str;
- 定义了iter方法。可以随意返回。
- 可以调用iter(obj)的对象，并且返回一个iterator
iterator: 迭代器对象,也属于python的名词，只能迭代一次。需要满足如下的迭代器协议
- 定义了iter方法，但是必须返回自身
- 定义了next方法,在python3.x是next。用来返回下一个值，并且当没有数据了，抛出StopIteration可以保持当前的状态
首先str和list是iterable 但不是iterator:
In [13]: si = iter(s)
In [14]: si
Out[14]: <iterator at 0x7f9453279dd0>
In [15]: si.__iter__ # 有__iter__
Out[15]: <method-wrapper '__iter__' of iterator object at 0x7f9453279dd0>
In [16]: si.next #拥有next
Out[16]: <method-wrapper 'next' of iterator object at 0x7f9453279dd0>
In [20]: si.__iter__() is si #__iter__返回自己
Out[20]: True
In [1]: %paste
class DataIter(object):
def __init__(self, *args):
self.data = list(args)
self.ind = 0
def __iter__(self): #返回自身
return self
def next(self): # 返回数据
if self.ind == len(self.data):
raise StopIteration
else:
data = self.data[self.ind]
self.ind += 1
return data
## -- End pasted text --
In [9]: d = DataIter(1,2)
In [10]: for x in d: # 开始迭代
....: print x
....:
1
2
In [13]: d.next() # 只能迭代一次,再次使用则会抛异常
---------------------------------------------------------------------------
StopIteration Traceback (most recent call last)
----> 1 d.next()
<ipython-input-1-c44abc1904d8> in next(self)
10 def next(self):
11 if self.ind == len(self.data):
---> 12 raise StopIteration
13 else:
14 data = self.data[self.ind]从next函数中只能向前取数据,一次取一个可以看出来，不过不能重复取数据，那这个可不可以解决呢？
我们知道iterator只能迭代一次，但是iterable对象则没有这个限制，因此我们可以把iterator从数据中分离出来，分别定义一个iterable与iterator如下：
class Data(object): # 只是iterable:可迭代对象而不iterator:迭代器
def __init__(self, *args):
self.data = list(args)
def __iter__(self): # 并没有返回自身
return DataIterator(self)
class DataIterator(object): # iterator: 迭代器
def __init__(self, data):
self.data = data.data
self.ind = 0
def __iter__(self):
return self
def next(self):
if self.ind == len(self.data):
raise StopIteration
else:
data = self.data[self.ind]
self.ind += 1
return data
if __name__ == '__main__':
d = Data(1, 2, 3)
for x in d:
print x,
for x in d:
print x,
1,2,3
1,2,3Python支持在容器上迭代，通过两个方法实现，允许用户自定义，序列总是支持迭代方法.
迭代器的功能可以使用列表代替，但如果有很多值，列表就会占用太多的内存，而如果有可以一个接一个地计算值的函数，那么就可以在使用时采用计算一个值时获取一个值，占用更少内存。
迭代器对于变量,有两个方法iter(),next()
当遍历一个迭代器的时候，它会修改内部状态，导致你只能向前获取下一个元素，不能通过迭代器访问后面一个元素；也就是说当你通过迭代器访问了一个元素以后，在当前循环中不能后退继续访问该元素了，除非你重新生产迭代器对象进行遍历。
#迭代器对于变量
list1=[1,2,3,4,5]
it1=iter(list1)
print(next(it1))
print(next(it1))
print('=============')
for x in it1:
print(x, end='\n')
print('=============')
#可以使用next()函数
list2=list('abcdefg')
it2=iter(list2)
while True:
try:
print(next(it2))
except StopIteration:
sys.exit()输出结果如下:
1
2
=============
3
4
5
=============
a
b
c
d
e
f
g
对于要返回迭代器的类,要实现iterator.iter()，iterator.next()
迭代器对象被要求支持下面的两个方法，合起来形成迭代协议。
iterator._iter_()
返回迭代器对象自身。为了允许容器和迭代器被用于for和in语句中，必须实现该方法。
iterator._next_()
返回容器的下一个条目。如果没有更多的条目，抛出StopIteration异常
另外需要注意的是在迭代器中next方法是return下一个元素的值，不像下面介绍的生成器yield一个元素
class Fibs:
def __init__(self): # 初始化
self.a = 0
self.b = 1
def __next__(self): # 获取下一个条目
self.a, self.b = self.b, self.a + self.b
return self.a
def __iter__(self): # 返回迭代器
return self
fibs=Fibs()
for f in fibs:
if f > 20:
break生成器(generator)
任何使用yield的函数都称之为生成器.
首先需要明确的就是生成器也是iterator迭代器，因为它遵循了迭代器协议.生成器函数跟普通函数只有一点不一样，就是把 return 换成yield,其中yield是一个语法糖，内部实现了迭代器协议，同时保持状态可以挂起。
（如果换成return 函数就返回了）
另外一种说法：生成器就是一个返回迭代器的函数，与普通函数的区别是生成器包含yield语句，更简单点理解生成器就是一个迭代器。
使用yield，可以让函数生成一个序列，该函数返回的对象类型是”generator”，通过该对象连续调用next()方法返回序列值。
生成器函数只有在调用_next()_方法的时候才开始执行函数里面的语句.
在调用count函数时：c=count(7)，并不会打印”counting”只有等到调用c.next()时才真正执行里面的语句。每次调用next()方法时，count函数会运行到语句yield n处为止，next()的返回值就是生成值n，此处为了查看返回值打印了出来，可以去掉，再次调用next()方法时，函数继续执行yield之后的语句（熟悉Java的朋友肯定知道Thread.yield()方法，作用是暂停当前线程的运行，让其他线程执行），如：
yield作用就是返回一个生成器，它会保存当前函数状态，记录下一次函数被调用next的时候运行状态
a = (i for i in range(4))
print(a)
for i in a:
print(i)
for i in a:
print('==')
print(i)
只输出0,1,2,3def count(n):
print("cunting")
while n > 0:
print('before yield')
yield n # 生成值：n
print(n)
n -= 1
print('after yield')
c=count(7)
c.__next__()
#before yield
c.__next__()
# 7
# after yield
# before yield
c.__next__()
# 6
# after yield
# before yield
如果一直调用next方法，当执行到没有可迭代的值后，程序就会报错：
Traceback (most recent call last): File "", line 1, in StopIteration
所以一般不会手动的调用next方法，而使用for循环
for i in count(5):
print (i)def fibonacci(n): # 生成器函数 - 斐波那契
a, b, counter = 0, 1, 0
while True:
if counter > n:
return
yield a
a, b = b, a + b
counter += 1
# f 是一个迭代器，由生成器返回生成
f = fibonacci(10)
while True:
try:
print(next(f), end=" ")
except StopIteration:
sys.exit()
def fibonacci():
a=b=1
yield a
while True:
a,b = b,a+b
yield b
# f=fibonacci()
# print(type(fibonacci()))
# f.__next__()
# f.__next__()
for num in fibonacci():
if num > 100:
break
print (num)
time.sleep(1)可以调试看输出，就明白了。
另外还有一种定义生成器的方法:生成器表达式”()”
my_generator = (x for x in range(3))
print(type(my_generator))
for i in my_generator:
print(i)