为什么要使用 Python 生成器?该如何使用 Python 生成器?

为什么要使用 Python 生成器?该如何使用 Python 生成器?

自从 PEP 255引入生成器以来,它就是Python中重要的一部分.

生成器允许你定义一个有迭代器行为的函数.

它允许程序猿更快,更简单并且以一个干净的方式创建一个迭代器.

那么什么是迭代器呢, 你或许会问?

 iterator 迭代器是一个可以被迭代的(循环)对象. 它可以抽象为一个装着数据同时有着可迭代对象的行为的容器.或许你已经每天在使用一些可迭代的对象: 诸如字符串,列表,字典或其它名字的对象.

一个迭代器是一个实现了迭代器接口 Iterator Protocol的类. 这个接口为类提供了两个方法: __iter__ 和 __next__.

嗯~ 回到上一步. 你为什么想要创建一个迭代器呢?

节省内存空间

当实例化后,迭代器并不会计算它每一个项的值,他们只会等你访问这些项的时候采取计算。这也就是众所周知的惰性求值

当你有一个非常大的数据集需要计算时,惰性求值是很有用处的。它允许你马上就能开始使用数据,尽管整个数据集还在计算中。

假设我们想要获得小于某个最大值的所有素数。

我们先定义一个函数,它可以检查一个数字是否为素数:

def check_prime(number):
    for divisor in range(2, int(number ** 0.5) + 1):
        if number % divisor == 0:
            return False
    return True

然后,我们定义一个迭代器类,包含__iter__ 和 __next__ 方法。

class Primes:
    def __init__(self, max):
        self.max = max
        self.number = 1
    def __iter__(self):
        return self
    def __next__(self):
        self.number += 1
        if self.number >= self.max:
            raise StopIteration
        elif check_prime(self.number):
            return self.number
        else:
            return self.__next__()

Primes 类通过给定一个最大值来实例化。如果下一个素数比最大值max还要大,迭代器就会抛出一个StopIteration异常来把迭代器停掉。

当我们请求迭代器中的下一个元素时,它会给number加1并检查这个数字是否为素数。如果不是,它会再次调用__next__直到number成为素数。一旦如此,迭代器就将这个数字返回。

通过使用迭代器,我们并不会在内存中创建一个包含很多素数的列表。相反,我们将会在每次请求下一个素数时才去生成它。

让我们来试一试:

primes = Primes(100000000000)
print(primes)
for x in primes:
    print(x)
    ......
<__main__.Primes object at 0x1021834a8>
2
3
5
7
11
...

对 Primes 对象的每一次迭代都调用了 __next__ 来生成下一个素数。

迭代器只可以被迭代一轮。如果你尝试再迭代primes一轮,它将不会返回任何值,表现得就像个空列表。

既然我们已经知道了什么是迭代器,以及怎么制作一个迭代器,我们接下来将继续来看看生成器。

生成器

回想下,生成器函数允许我们以一种更简单的方式来创建迭代器。

生成器给Python引入了yield声明。它用起来有点像return,因为它会返回一个值。

区别在于yield会保存函数的状态。在函数下一次被调用时,将会从其离开的地方继续执行,并且变量值也与它之前执行yield操作前相同。

如果把我们的Primes迭代器转换为生成器,它看起来会像这样:

def Primes(max):
    number = 1
    while number < max:
        number += 1
        if check_prime(number):
            yield number
primes = Primes(100000000000)
print(primes)
for x in primes:
    print(x)
......
<generator object Primes at 0x10214de08>
2
3
5
7
11
...

现在真是太pythonic了!我们还能再给力点吗?

当然!我们可以使用 PEP 289中介绍的生成器表达式。

这相当于是生成器的列表推导式。它用起来与列表推导式相同,不过表达式由()包裹而不是[]。

下面的表达式可以代替我们上面的生成器函数:

primes = (i for i in range(2, 100000000000) if check_prime(i))
print(primes)
for x in primes:
    print(x)
......
<generator object <genexpr> at 0x101868e08>
2
3
5
7
11
...

这就是Python生成器的美妙之处。

总结...

  • 生成器允许你以一种非常pythonic的方式来创建迭代器。
  • 迭代器允许惰性求值,只有在请求下一个元素时迭代器对象才会去生成它。这对于非常大的数据集是很有用的。
  • 迭代器和生成器都只能被迭代一轮。
  • 生成器函数比迭代器更好。
  • 生成器表达式比迭代器更好(只在简单情况下如此)。

你也可以来看看我的这篇文章 explanation ,看看我是怎样使用Python在Medium上找到有趣的人并关注他们的。

原    文:How — and why — you should use Python Generators
译    文:PythonCaff
作    者:Summer 
上一篇:只用200行Go代码写一个自己的区块链!


下一篇:用Ruby实现一个最简的区块链