1 迭代Iteration

迭代Iteration：所谓迭代就是重复运行一段代码语句块的能力，就好比在一个容器中进行一层一层遍历数据，在应用过程中for循环最为突出。迭代就是从某个容器对象中逐个地读取元素，直到容器中没有元素为止。迭代迭代，更新换代，在上一次基础上更新成新的东西。

# 使用for循环迭代这个字符串，其实就是我们说的遍历这个字符串
for i in "hello world":print(i)

2 可迭代对象Iterable

2.1 什么是可迭代对象

可迭代对象Iterable：可以被迭代的类型，怎么判断是否可迭代？

所有的类型只要有__iter__()方法就是可迭代的。我们现在已知的可迭代对象有：str，list，tuple，range，set，dict_keys，dict_values，dict_items。

方法名前后有两个下划线的，也叫魔法方法。

2.2 怎么判断可迭代对象

怎么去判断某个对象是否有__iter__()方法？

1. 用dir()函数来查询是否包含__iter__()方法；

2. 通过对象.方法的方式去调用看有没有__iter__方法；

3. 通过内置的实例对象函数isinstance()判断，可迭代对象是Iterable类的实例，返回True就说明是可迭代对象，False则表示不是可迭代对象。isinstance()函数格式：isinstance(object, class)。

# 用dir()函数打印数据的全部方法，看看是否包含__iter__()方法
print(dir(list1))
​
# 查看某个元素或序列是否有.__iter__()方法，有就是可迭代的对象
"hello world".__iter__()
[2].__iter__()
(1,).__iter__()
{"name":"jack"}.__iter__()
{"name":"jack"}.keys().__iter__()
range(11).__iter__()
list1=[]
a=9
​
# 通过内置的实例对象函数isinstance()判断
from collections.abc import Iterable,Iterator
print(isinstance(list1,Iterable))   # 结果是True
print(isinstance(a,Iterable))       # 结果是False

3 迭代器Iterator

3.1 什么是迭代器

• 迭代器Iterator：迭代器一定是可迭代对象，迭代器中有两个特殊的方法是__iter__()和__next__()方法

• 创建迭代器的方法：使用内置的iter()函数或者__iter__()方法来创建迭代器

• 举例：

  # 将列表转换为迭代器
  list1=[1,3,5,7,9]
  it1=iter(list1)
  it2=list1.__iter__()
  print(type(it1))
  print(type(it2))
  ​
  # 打印迭代器中的数据，每次只能打印一个元素，有多少元素就需要打印多少次
  # 用next()函数取迭代器中的数据
  print(next(it1)) 
  # 用__next__()方法取迭代器中的数据
  print(it1.__next__()) 
  print(it1.__next__())
  print(it1.__next__())
  print(it1.__next__())
  # print(it1.__next__())
  # print(it1.__next__())

• 可迭代对象与迭代器关系示意图：

  举例：a = iter([4, 3, 6, 8])

• 

• 迭代器的特点是：

  1. 迭代器一定是可迭代对象；

  2. 迭代器通过next()函数或者__next__()方法取值，每迭代一次取一个值，只能往前取不能后退；

  3. 当取完最后一个值的时候，再执行next()函数或者__next__()方法会报StopIteration异常，表示取完了。

3.2 怎么判断迭代器

判断一个对象是迭代器还是迭代对象，可以使用以下两种方法：

1. 通过对象包含__iter__()和__next__()方法来判断；

2. 需要判断是迭代器还是迭代对象，可以通过实例对象函数isinstance()进行判断，迭代器和可迭代对象的对象类型分别是Iterator和Iterable（都是collections.abc模块下）

from collections.abc import Iterator,Iterable
# Iterator是判断是否是迭代器
# Iterable是判断是否是可迭代对象
print(isinstance(list1,Iterable))               #判断list1是否是可迭代对象返回True或False
print(isinstance(list1,Iterator))               #判断list1是否是迭代器返回True或False
print(isinstance(iter(list1),Iterator))         #True
print(isinstance(it1,Iterable))                 #True
print(isinstance(it1,Iterator))                 #True
​
#计算1+2+3+...+1000000000
#print(sum(list(range(1,1000000001))))
#print(sum(iter(range(1,1000000001))))

迭代器的优缺点：

1. 迭代器优点：节省内存，迭代器在内存中相当于只占一个数据的空间，因为每次取值都会把上一条数据在内存中释放，加载当前的此条数据。

2. 迭代器的缺点，不能直观的查看里面的数据。取值时不走回头路，只能一直向下取值。

3.3 for循环的底层原理

for循环实现遍历的底层原理：（for循环将其都封装好了，所以for循环in后面必须跟的是可迭代对象）

1. for循环可以传入可迭代对象或者迭代器对象，在循环的时候先调用可迭代对象的iter()函数来生成迭代器；

2. 调用迭代器的next()函数来迭代每个元素；

3. 当迭代完最后一个元素时，再继续迭代会报StopIteration异常，for循环捕捉到这个异常就知道已经迭代完了，就结束循环。

for循环的实现原理：

也可以用for循环去遍历迭代器。

4 生成器Generator

4.1 什么是生成器

生成器Generator：在 Python 中，生成器的本质就是一个迭代器，使用了yield 的函数被称为生成器（generator）。

4.2 生成器怎么创建

创建生成器的方法：

• 方法一：

1. 第一步：定义一个包含yield语句的函数

2. 第二步：调用第一步创建的函数得到一个生成器

# 例1：使用yield关键字把函数变成装饰器
def generator_1():yield 1# 创建生成器，如下表示创建一个生成器，赋值给gen
gen=generator_1()
print(type(gen))
​
# 在函数中可以使用多个yield
def generator_2():yield 1yield 2yield 3# 也可以一个yield语句返回多个值，跟使用return类似，此时将返回一个元组
def generator_3():yield 1, 2

• 方法二：使用生成器推导式来创建生成器

# 例2：通过生成器推导式创建生成器
print(type((i for i in range(11))))
print((i for i in range(11)))#是一个生成器对象

4.3 return与yield的区别

return的作用：

1. 给调用者返回值；

2. 执行遇到第一个return语句时就结束函数。

yield的作用：

1. 给调用者返回值；

2. yield把函数变成了生成器；

3. 生成器运行时遇到yield后先返回再挂起；

4. 在函数中可以使用多个yield。

4.4 生成器的运行

带有 yield 的函数执行过程比较特别：

1. 调用该函数的时候不会立即执行代码，而是返回了一个生成器对象；

2. 当使用next()函数或者__next__()方法作用于返回的生成器对象时，函数开始执行，在遇到 yield 的时候会『暂停』，并返回当前的迭代值； 也可以使用for循环来迭代生成器对象，因为在for循环中会自动调用next()函数；

3. 当再次使用 next() 的时候，函数会从原来『暂停』的地方继续执行，直到遇到 yield语句，如果没有 yield 语句，则抛出异常；

整个过程看起来就是不断地 执行->中断->执行->中断 的过程。一开始，调用生成器函数的时候，函数不会立即执行，而是返回一个生成器对象；然后，当我们使用 next() 作用于它的时候，它开始执行，遇到 yield 语句的时候，执行被中断，并返回当前的迭代值，要注意的是，此刻会记住中断的位置和所有的变量值，也就是执行时的上下文环境被保留起来；当再次使用 next() 的时候，从原来中断的地方继续执行，直至遇到 yield，如果没有 yield，则抛出异常。简而言之，就是 next() 使函数执行， yield 使函数暂停。

# 在定义函数时，使用yield来返回值
def generator_1():yield 1yield 2yield 3
​
# 直接这个函数的调用结果，得不到返回的值
print(generator_1())
​
# 使用next()函数或者__next__()方法来运行该函数，但如下每次执行时都返回第一个值，因为每次调用的时候都会创建一个生成器
print(next(generator_1()))
print(next(generator_1()))
print(generator_1().__next__())
​
# 可以调用一次函数，对返回结果赋值给一个变量，这样可以获取生成器所有返回的值
def generator_1():yield 1yield 2yield 3
# 调用函数，返回一个生成器对象，赋值给变量gt
gt=generator_1()
# 通过next()函数来执行这个生成器对象
print(next(gt))
print(next(gt))
​
# 使用for循环执行生成器
for i in gt:print(i)

4.5 send()方法

通过send()方法也可以执行生成器，同时可以向生成器传入值。

send()方法与next()函数的区别：

1. send()方法与next()函数都用来执行生成器；

2. send()方法会将传入的值赋给上次中断时yield语句的执行结果，然后再执行生成器，从而实现与生成器方法的交互；

3. 在执行生成器时，如果第一次执行使用send()方法，因为没有挂起的yield语句来接收传入的值，所以会报TypeError异常。

4. 简单地说， send() 方法就是 next() 函数的功能，加上传值给 yield 。

# 例1：第一次使用send()方法执行生成器
def generator_1():yield 1yield 2yield 3gt1=generator_1()
# 如下代码会报错，因为第一次需要先使用next()函数来执行生成器
print(gt1.send(100))
print(gt1.send(200))
​
# 例2：第一次使用next()执行生成器，第二次开始使用send()执行生成器并传入值
def generator_2():a=yield 1b=yield ayield bc=yield 2print(c)yield c
​
gt2=generator_2()
# 首先使用next()函数执行生成器，返回1之后挂起
print(next(gt2))
# 使用send()方法传入100给yield 1的执行结果，也就是a，然后再执行yield a，返回100，再挂起
print(gt2.send(100))
# 使用send()方法传入2.5给yield a的执行结果，也就是b，然后再执行yield b,返回2.5，再挂起
print(gt2.send(2.5))
# 使用send()方法传入'abc'给yield b的执行结果，但并没有引用他，然后执行yield 2，返回2，再挂起
print(gt2.send('abc'))
# 传入efg给yield 2的执行结果，也就是c，然后再打印c，最后再执行yield c，返回efg
print(gt2.send('efg'))

4.6 生成器与迭代器的区别

• 生成器：

  1. 生成器本身是一种特殊的迭代器，也就是说生成器就是迭代器。

  2. 生成器会自动实现迭代器协议，也就是说只要我们yield后，自动就生成了next对象包括StopIteration等结构。

  3. 生成器使用yield语句返回一个值。yield语句挂起该生成器函数的状态，保留足够的信息。对生成器函数的第二次（或第n次）调用，跳转到函数上一次挂起的位置。生成器不仅“记住”了它的数据状态，生成还记住了程序执行的位置。

• 迭代器：

  1. 迭代器是一种支持next()操作的对象。它包含了一组元素，当执行next()操作时，返回其中一个元素；

  2. 当所有元素都被返回后，再执行next()报异常StopIteration；

  3. 生成器一定是可迭代的，也一定是迭代器对象。

• 它们的区别：

1. 迭代器是访问容器的一种方式，也就是说容器已经出现。我们是从已有元素拓印出一份副本，只为我们此次迭代使用。而生成器则是自己生成元素的。也就是前者是从有到有的复制，而后者则是从无到有的生成。

2. 在用法上生成器只需要简单函数写法，配合yield就能实现。而迭代器真正开发中很难使用到。我们可以把生成器看做，python给我们提供的特殊接口实现的迭代器。

最后，附上一张图来解释容器、可迭代对象、迭代器、生成器之间的关系：

4.7 生成器使用举例：处理大量数据

生成器的优势在于在没有牺牲很多的速度情况下，内存占用更小，在一定的业务场景下，支持大数据的操作。

举例：通过列表和生成器分别处理1亿条数据对比

# 通过列表实现，如下代码在执行时可观察电脑的内存使用情况，内存会被占满
a = []
for i in range(100000000):temp = ['你好']*2000a.append(temp)
​
[[你好，你好，...，你好],[你好，你好，...，你好],...,[你好，你好，...，你好]]
for ele in a:# print(ele)continue
​
# 通过生成器实现，如下代码在执行时可观察电脑的内存使用情况，内存占用不大
def get_list_element():for i in range(100000000):temp = ['你好']*2000yield temp
# 创建一个生成器
a = get_list_element()
for ele in a:# print(ele)continue