python的可迭代对象 和 不可迭代对象 可迭代对象 迭代器

一 可迭代对象，迭代器和生成器

	可迭代对象	迭代器	生成器
定义	可迭代 (Iterable)：指某个容器类型数据可被for循环遍历获取内部所有成员。那么这个类型数据就称之为可迭代。 对象：也叫实例(Instance)，可以理解为是一个记录和管理数据的容器，它的成员是属性（变量，属性的值就是数据）和方法（method, 就是操作该对象以及对象内部数据的函数）。 从使用角度来说，能被for循环遍历输出内部每一个成员的都是可迭代对象。 从语法形式来说，能调用__iter__方法的数据对象就是可迭代对象。	迭代器：增强版的可迭代对象。实现了迭代器协议的对象。即任何一个对象，只要内部实现了__iter__()和__next__()就是一个迭代器（iterator）。 ->迭代器一定是可迭代对象，可迭代对象不一定是迭代器	生成器是一个特殊迭代器，也是一个特殊函数，内部可以有1个或多个yield关键。 因为生成器是一个特殊函数，所以也具备函数的特点，有参数，有返回值等等。
实例	判断一个数据是否是可迭代对象 set_data = {'a',2,'c','b'} for i in setvar: print(i) # dir() 获取对象所有内置方法 data = dir(set_data) print(data) print('__iter__' in data) # True	set_data = {"A", "B", "D", 100} # data = iter(set_data) # 方法一. 可迭代对象转化迭代器 data = set_data.__iter__() # 方法二 print(data) #<set_iterator object at 0x107826040> res = data.__next__() print(res) #B res = data.__next__() print(res) #A res = next(data) # next(data)，就是 data.__next()，本质上没有区别，仅仅写法不同。 print(res) #100 res = next(data) print(res) #D res = next(data) print(res) #StopIteration  # 迭代器中所有值都被提取完成后，再次取值，python会以抛出一个StopIteration异常告诉我们，没有值了。这并不代表错误发生，而是一种迭代完成的标志，防止出现无限循环。 #迭代器的特性就是能够调用__next__方法依次计算出迭代器中的每一个值 ,然后每一个值重复的放在同一个内存空间中	"""生成器的声明""" # 生成器函数 def gen(): yield 1 yield 3 yield "abc" """生成器的基本使用""" # g1 = gen() # 生成器函数的执行结果，是一个生成器对象（generator object）。 # print(g1) # <generator object gen at 0x0000021C18CC9510> # # # 对生成器的使用，主要可以依靠for循环和next()操作，开发中基本不适用next，所以重点是for循环 # for item in g1: # print(item) # 循环的结果 # 1 # 3 # abc # for item in g1: # print("ssss") # print(item) 因为这个生成器会记录和保存程序执行的状态，因此，当生成器结束了以后，就不会再逆向取值，所以下面的代码拿不到数据的，因此上面已经取完了 # 每次调用生成器函数，都会产生一个新的生成器对象。 g2 = gen() for item in g2: print(item)
比较	优点： 访问速度快。因此一切数据都在内存中 访问方式灵活，可多次、重复、任意选择范围访问。 内置方法和函数比较多。 缺点： 耗费内存，数据一次性存储在内存空间。 取值过于灵活，不限制方向，有时候不当的操作会出现异常（例如：index out of range）	优点： 惰性序列，惰性执行，挤牙膏，每次取一条数据放同一个内存中，直到取值完毕 节省内存空间，可用于遍历读取大文件，海量数据。 缺点： 访问速度慢。取值，赋值，取值，赋值，不断重复，所以会比寻常的可迭代对象直接从内存中取值肯定要慢。 内置操作比较少。经过iter包装，所以很多的操作不能直接调用。 访问方式死板，方向不可逆，不能反复，只能向下取值。	同迭代器。生成器中yield关键字的特征是暂停函数执行，所以可以让多个任务程序(函数)交替执行。这也是网络编程与并发编程里面的协程的实现基本原理，和异步编程里面协程基础
关系	可迭代对象包含了迭代器和生成器 迭代器包含了生成器

注：

1 for循环的本质

x = 可迭代对象
# for循环的形式：
for item in x:
    print(item)

 

for 循环首先会调用可迭代对象data内的__iter__方法返回一个迭代器，然后再调用这个迭代器的__next__方法将取到的值赋给item，即for后面定义的变量item（item经过每次for循环调用next()时都会赋值了一遍）。循环一次，调用一次next方法，直至遇到StopIteration异常，for循环内部捕获并处理该异常后结束迭代过程。

区别于while循环模拟遍历过程（while比for循环要单调一点，仅仅是重复）

data = [10,20,30,40]
# 1. 先执行iter方法，把可迭代对象转换成迭代器
iter_data = iter(data)
while True:
    try:     #异常处理语句，可以让我们识别代码异常而不会导致代码因为异常出错而终止
        # 2. 每次循环，通过next取值，付给item
        item = next(iter_data)
        print(item)
    except StopIteration:
        break # 此处，退出循环

2 查看一个对象是否是可迭代对象或迭代器

from collections.abc import Iterable, Iterator

data = [1, 2, 3, 4]
print(isinstance(data, Iterable))  # True       # 查看是不是可迭代对象
print(isinstance(data, Iterator))  # False      # 查看是不是迭代器
# 在 python中容器数据类型都是可迭代对象，但是并非迭代器，那么我们就可以进行装换。[高阶函数（filter, map..）的返回值是一个迭代器]
# 方式1： print(isinstance(data.__iter__(), Iterator)) # True # 方式2： print(isinstance(iter(data), Iterator)) # True #isinstance 是面向对象里面的内容，表示判断当前变量是否属于某个类型。区别于type，用于基本函数类型

3 生成器实例补充

"""
next 使用生成器过程中，仅仅只能接受yield暂停时返回的数据
send 使用生成器过程中，不仅可以接受yield暂停时返回的数据，还可以在send()的小括号把数据从外界传递到生成器函数内部（传参）给上一个yield(也就是暂停出)接收到
"""
1 def gen2():
    key = 0
    print(">>>>> 嘟嘟，开车了")
    while True:
        food = yield "第%s次" % key
        print(f"内部接收到了{food}")
        key += 1
# 判断当前文件是否作为主程序入口来运行，
# 如果__name__魔术变量的值为"__main__"则表示当前文件是主执行文件
# 如果__name__魔术变量的值为文件名，则表示当前文件不是主执行文件
if __name__ == "__main__":
g2 = gen2()
# 在循环之前，先执行一遍send的作用是为了预激活生成器,
# 让生成器内部执行到第一个yield位置，否则代码没有暂停的话，就无法通过send传递数据给内部的yield
ret = g2.send(None)
print(ret)
for item in ["苹果","芒果"]:
    res = g2.send(item)
    print(f"res={res}")
输出：
嘟嘟，开车了
第0次
内部接收到了苹果
res=第1次
内部接收到了芒果
res=第2次
2 yield from可以将一个可迭代对象变成一个迭代器返回，也可以用于多个生成器之间进行嵌套调用
def gen1():
   a = 0
   while True:
      # print("+++++++")
      a = yield a**2

def gen2(gen):
   # a = 0
   # while True:
   #  # print("+++++++")
   #  a = yield a ** 2
   yield from gen # 相当于一次性声明了多个yield

if __name__ == '__main__':
   g1 = gen1()
   g2 = gen2(g1)
   g2.send(None)#在一个生成器函数未启动之前，是不能传递数值进去。必须先传递一个None进去或者调用一次next()方法，才能进行传值操作
   for i in range(5):
      # print(">>>> %s" % i)
      print(g2.send(i))
输出：0 1 4 6 9 16

3 用生成器实现斐波那契
def fib(max):
    n, a, b = 0, 0, 1  # n表示当前第几项，a表示第一项的值，b表示第二项的值

    while n <= max:
        yield a
        a, b = b, a + b
        n = n + 1

g1 = fib(10)
for i in g1:#生成器为特殊的迭代器，可遍历可调用next方法
    print(i)#输出a的值

# 0 1 1 2 3 5 8 13

二 推导式

推导式，实际上就是一种代码简写方式。是通过一行代码完成一个或多个循环和判断，并遍历出一系列数据的编写代码方式

语法：

成员 for 循环 ... if 判断 ...

推导式种类

其中，列表和字典最常用
# 1. 列表推导式，结果是一个列表
[item for item in Iterable]
# 2. 字典推导式，结果是一个字典
{a:b for a,b in iterable.items()}
# 3. 集合推导式，结果是一个集合
{item for item in Iterable}
# 4. 生成器表达式，结果是一个生成器
(item for item in Iterable)

实例1 列"""

推导式里面可以存在1-多个for循环，也可以有0-多个判断，
但是判断和循环需要根据代码嵌套顺序来缩写
"""
"""1. 找出1~10之间的偶数"""
# ret = []
# for num in range(1, 11):
#     if num % 2 == 0:
#         ret.append(num)
# print(ret)

# 上面的这种结构代码就可以使用推导式进行简写
# ret = [num for num in range(1, 11) if num % 2 == 0]
# print(ret)
2 字典推导式

"""1. 统计列表中各个字符出现的次数"""
# data = ["A", "B", "C", "A", "C", "A"]
# # ret = {}
# # for item in data:
# #     ret[item] = data.count(item)
#
# 上面的这种结构代码就可以使用推导式进行简写
# ret = {item: data.count(item) for item in data}
# print(ret)
3 集合推导式

"""1. 计算列表中每个值的平方，自带去重功能"""
# data = [1, -1, 2, -3, 3]
# # ret = set()
# # for num in data:
# #     ret.add(num**2)
# 上面的这种结构代码就可以使用推导式进行简写
# ret = {num**2 for num in data}
# print(ret)
4 生成器推导式 

获取1-10整数的平方

"""上面的代码实际上是以下代码的简写"""
def gen():
    for i in range(1, 11):
        yield i**2

n = gen()
for i in n:
    print(i)# 上面的这种结构代码就可以使用推导式进行简写
# ret = (i**2 for i in range(1, 11))
# print(ret)