迭代器
#可以被netxt()函数调用不断返回一个值的对象成为迭代器：Iterator
#迭代器是访问集合元素的一种方式，从集合第一个元素开始（用next()方法）访问就不能回退，便于循环遍历一些较大的数据集合节省内存和时间。 一个简单的迭代器：
numbers = iter([1,2,3])
print(numbers)
print(numbers.__next__())
print(numbers.__next__()) Result:<list_iterator object at 0x1021777b8>
1
2
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。
#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。
#一个简单的生成器：
>>> g = (x * x for x in range(10))
>>> g<generator object <genexpr> at 0x1022ef630>
#一个函数返回的是一个迭代器,这个函数就是一个生成器.
# 主要作用是保持函数的执行状态,可以中断函数的执行然后继续. def cash_money (number):
while number > 0:
number -= 100
yield 100
print("取了100元!") atm= cash_money(500)
print(type(atm))
print(atm.__next__())
print(atm.__next__())
print("去吃饭")#中断了函数的循环,去执行另外的任务.
print(atm.__next__()) #继续生成器中的循环 这个很强大.
而在实际操作中，我们并不用不停的__next__(),而是用for循环即可遍历生成器：
>>> g = (x * x for x in range(10))
>>> for n in g:
... print(n)
...
0
1
4
9
16
25
36
49
64
81
总结：
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： >>> from collections import Iterable
>>> isinstance([], Iterable)
True
>>> isinstance({}, Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance((x for x in range(10)), Iterable)
True
>>> isinstance(100, Iterable)
False