python基础(14):生成器、列表推导式，python生成器

python基础(14):生成器、列表推导式，python生成器

1. 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

2. 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。