条件

和其他语言类似，python中使用if...elif...else来形成分支，支持三目操作符 ？：，python中没有switch，但是缩进的特性让if...elif...else的结构同样便于阅读

循环控制

python中除了break，continue这两个一般的循环控制语句之外，还有一个pass，执行空操作。由于python的语法特性，添加pass可以留空某一个域，避免在调试过程中反复报错。

while循环

python中的while循环比其他语言增加了一个特性：支持else。在其他语言中，经常会用到判断是否正常结束循环还是中途break非正常结束，python中利用while...else可以简洁明了地解决这个问题：

i = 0
s = 'this is a test string'
while i < len(s):
    if s[i] == 'z' :
        break
    i += 1
else:
    print "There is no z in the string"

由于break会跳出整个while，包括else，所以else后面的语句可以在正常结束的情况下被执行。

for循环

python中的for循环更像是perl中的foreach，支持迭代器等特性，功能非常强大

for会访问可迭代对象中的每一个元素，并在所有元素都访问完毕之后结束循环，可迭代对象包括序列、字典、集合、迭代器等。

1. 直接循环序列项：这是最直接的循环方式：

alist = [‘A’,’B’,’C’,’D']
foreach value in alist:
    print “value=“,value

如果是字典类型，则直接访问返回的是键，而不是值

2. 通过序列索引来访问序列：通过range()函数等，建立序列的索引对应序列，再通过循环访问该索引序列去访问原序列， 如果要提取索引值的话，有些情况下这种方式也是必要的：

alist = [‘A’,’B’,’C’,’D']
foreach index in range(len(alist)):
    print “index=%i,value=%s“ % (index,list[index])

range()方法的完整语法是range(start,end,step=1)，range(1,10,2)创建一个1到9的奇数序列，省略最后一个参数则步长默认为1，省略两个参数时，range()语法为range(end)，默认从0开始，步长为1并且不可改变:

print range(1,10,2)
print range(1,10)
print range(10)

3. 同时访问索引和内容：通过enumerate()函数，构建一个enumerate对象，for每次循环可以从该对象中获取index和内容的对应元组，如果是字典的话，使用enumerate()方法只会提取键和其对应的索引（注意字典键的无序性），想要同时访问字典的键和值，则需要通过字典的iteritems()方法：

adict = {'A':'B','C':'D','EEE':'F'}
for k,v in adict.iteritems():
    print k,v
alist = ['A','B','C','D']
for k,v in enumerate(alist):
    print k,v

迭代器

迭代器和序列不同，并非根据索引来计数，迭代器是有一个next()方法的对象，for语句会使用next()方法获取下一项，并且在条目全部取出后，引发StopIteration异常，从而完成迭代。

通过iter方法可以生成一个迭代器，实际上，序列在for循环的过程中，也会被当成迭代器来迭代工作。字典的迭代器只会遍历字典的键，所以当使用for key in adict的时候，循环的是键，字典可以通过dict.iter*来生成键、值、键值对的迭代器。

迭代器是不可变的，所以不能在循环访问迭代器的过程中对相对应的对象进行改变，如果需要进行改变的操作，则需要利用keys()方法等返回一个键的列表，通过循环访问索引或者键的方式，再对对象进行改变。

列表生成器

在for循环的使用中，可以看到通过range()方法可以实现其他语言中for的简单功能，通过列表生成器生成特有的列表，则可以完成其他语言中for的全部功能。

列表解析：

[expr for iter_var in iterable if cond_expr]

生成器表达式：

(expr for iter_var in iterable if cond_expr)

生成器可以得到一个内存更加友好的结果，他并不创建数字列表，而是在每次计算出一个条目后，就讲该条目产生出来，生成器延迟计算的方式使其在内存上更加有效。

通过生成器，可以非常大限度上地简化代码，并且优化内存结构。

如通过[(x,y)for x in range(3) for y in range(3)]可以形成一个3*3的矩阵，而生成器则是不在内存中生成矩阵，而是逐个计算并生成结果。若要统计一个文件中的非空字节数，直接使用列表解析则可能会占用很大的内存，如使用 sum(len(word)) for line in data for word in line.split() 生成器，则可以事先不占用内存，而是逐行访问文件。

利用生成器，可以重构一些比较复杂的代码，如统计一个文件中的最长行的长度：

f = open(‘file’,’r')
allLineLens = [len(x.strip()) for x in f] 
f.close()
return max(allLineLens)

在allLineLens中解析了一个列表，会讲整个文件读取到内存中，使用生成器：

return max(len(x.strip())) for x in open(‘file')

可以逐行读取，优化内存的同时，简化代码。

Python在科学计算上大幅被应用，科学家是讨厌循环的思维方式，生成器的方式将数据的结构更加直观地展示出来，更加能符合科学家的思维习惯应该也有很大关系吧。