Python入门——yield生成器和iter迭代器

yield生成器

yield 的作用

• 生成器函数：yield 将一个普通的函数变成一个生成器函数。生成器函数与普通函数的区别在于，普通函数使用 return 一次性返回结果并终止，而生成器函数使用 yield 返回一个值后，会记住函数的执行状态，暂停执行，待下一次被调用时继续执行。
• 惰性计算：生成器不会一次性生成所有结果，而是按需生成。这种方式称为“惰性计算”（lazy evaluation），非常节省内存，尤其适用于处理大数据或流式数据的场景。

yield 的工作原理

当生成器函数包含 yield 时，每次调用生成器对象的 next() 方法时，生成器会执行到 yield 语句，返回当前值并暂停。下一次调用 next() 时，生成器从上次暂停的位置继续执行，直到遇到下一个 yield 或函数结束。

基本用法

当一个函数包含 yield 关键字时，该函数不再是普通的函数，而是一个生成器函数。调用生成器函数时，它不会立即执行，而是返回一个生成器对象，允许你通过迭代的方式来逐步获取值。

示例：

def simple_generator():
    print("First value:")
    yield 1  # 第一次暂停并返回值1
    print("Second value:")
    yield 2  # 第二次暂停并返回值2
    print("Third value:")
    yield 3  # 第三次暂停并返回值3

# 调用生成器函数，返回一个生成器对象
gen = simple_generator()

# 通过 next() 获取生成器中的值
print(next(gen))  # 输出: First value: 1
print(next(gen))  # 输出: Second value: 2
print(next(gen))  # 输出: Third value: 3

yield 与 return 的区别：

• return：函数遇到 return 后，直接返回值，并终止函数的执行。
• yield：函数遇到 yield 后，会返回一个值给调用者，同时函数的状态会被“冻结”，即函数在 yield 处暂停，等待下一次调用时继续执行，而不是从头开始。

使用场景：

1. 惰性求值：当处理大量数据时，生成器可以惰性计算，不必一次性将所有数据加载到内存中。
2. 流式处理：当数据源的数据量过大，或数据是实时产生的（如读取文件、网络流等），生成器可用来逐步产生数据。
3. 协程：在 Python 中，yield 也被用于协程中来实现异步操作。

示例：生成一个范围内的数字

def number_generator(n):
    for i in range(n):
        yield i

gen = number_generator(5)

for number in gen:
    print(number)

优点

1. 节省内存：相比一次性加载所有数据，生成器通过 yield 逐步生成数据，避免了占用大量内存。
2. 效率高：适合处理大量数据或流式数据的场景，且生成器函数编写简单明了。
3. 易于实现复杂的迭代逻辑：生成器允许在多次调用之间保存函数的执行状态，使其能够简洁地实现复杂的迭代逻辑。

总结

• yield 关键字让你可以创建生成器函数，用于逐步生成值，而不是一次性生成所有值。
• 生成器可以用于高效处理大量数据或实现惰性求值。

---

iter迭代器

在 Python 中，迭代器（Iterator）是一个可以记住遍历位置的对象。迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完毕后结束。迭代器只能往前走，不能回退。

迭代器的核心概念

迭代器协议: 任何实现了 __iter__()和 __next__()方法的对象都是迭代器。

__iter__(): 返回迭代器对象本身。
__next__(): 返回容器的下一个元素，直到没有元素时抛出 `StopIteration` 异常。

示例:

# 自定义一个简单的迭代器
class MyIterator:
    def __init__(self, data):
        self.data = data
        self.index = 0  # 用来记录当前访问的位置

    def __iter__(self):
        return self  # 迭代器的 __iter__ 方法返回自身

    def __next__(self):
        if self.index < len(self.data):
            value = self.data[self.index]
            self.index += 1
            return value
        else:
            raise StopIteration  # 当没有更多元素时，抛出 StopIteration 异常

# 使用该迭代器
my_list = [1, 2, 3, 4]
my_iter = MyIterator(my_list)

for item in my_iter:
    print(item)		# 结果 1'\n' 2.. 3.. 4..
"""
解释：
这个 MyIterator 类实现了 __iter__() 和 __next__() 方法，因此它是一个迭代器。
在 for 循环中，Python 自动调用 __iter__() 方法来获取迭代器对象，并在每次循环时调用 __next__() 来获取下一个元素。
当所有元素都遍历完后，__next__() 方法抛出 StopIteration，循环就会结束。
"""

内置迭代器

Python 的许多内置数据类型都是可迭代的，比如列表、元组、字符串、字典和集合等。你可以通过 iter() 函数将这些对象转换为迭代器。

my_list = [1, 2, 3, 4]
my_iter = iter(my_list)

print(next(my_iter))  # 输出: 1
print(next(my_iter))  # 输出: 2
print(next(my_iter))  # 输出: 3
print(next(my_iter))  # 输出: 4
print(next(my_iter))  # 抛出 StopIteration 异常
# Traceback (most recent call last):
  File "", line 1, in <module>
StopIteration

迭代器与可迭代对象的区别

• 可迭代对象（Iterable）：实现了 __iter__() 方法，返回一个迭代器对象的对象。如列表、元组、字典、集合等。
• 迭代器（Iterator）：实现了 __iter__() 和 __next__() 方法的对象。

可迭代对象可以通过 iter() 函数得到一个迭代器，迭代器可以用 next() 函数不断获取元素直到抛出 StopIteration 异常。

迭代器的应用场景

迭代器适用于遍历数据，不要求将所有数据一次性加载到内存中，特别适合处理大量数据或流数据。

文件读取示例

with open('test.txt', 'r') as file:
    for line in file:  # 文件对象是一个迭代器，每次读取一行
        print(line.strip())

总结

• 迭代器是一种可以记住访问位置的对象，遵循迭代器协议（__iter__() 和 __next__() 方法）。
• 迭代器可以高效地处理数据流，避免将整个数据集一次性加载到内存中。
• 许多内置对象都是可迭代的，并且可以通过 iter() 转换为迭代器。

---