python 进阶 - 迭代器和生成器

作者：AIWeker-人工智能微客

2022 年 5 月 05 日
本文字数：1221 字
阅读完需：约 4 分钟

引言

迭代器是一种数据遍历的方式，是许多编程语言的一个重要功能； python中也有，而生成器应该是python独有的特性。

我们开始认识一下这两个功能特性吧

什么是迭代器

python中的迭代器是访问集合的一种方式，每次访问记住遍历的位置。

迭代器通过 iter()将一个可迭代对象变成迭代器，例如list tuple dict set str等，还有就是后面讲到的生成器（generator） 都是可迭代对象
通过next()或者for循环访问迭代的数据

我们来看下例子

from  collections import Iterable, Iterator# del itera = [1, 2, 4, 6, 8, 6, 10]print(isinstance(a, Iterable))print(type(a))
it = iter(a)print(next(b))# True# <class 'list'># 8

复制代码

使用迭代器

for i in it:    print(i)
while True:    try:        print(next(it))    except StopIteration:        break

复制代码

自定义一个迭代器：通过实现__iter__和__next__来实现迭代器的功能；其实python很多的对象都实现的迭代器的功能，都可以通过 for 循环的方式来访问，比如文件访问。

with open('./test', 'rb') as f:   for line in f:      print(line) # 读取文件的每一行较其他语言是相当的方便的

复制代码

class MyNumbers:    def __iter__(self):        self.a = 1        return self     def __next__(self):        x = self.a        self.a += 1        return x
myclass = MyNumbers()myiter = iter(myclass)next(myiter)

复制代码

tensorflow 中的迭代器

tf.data 也是通过迭代器的方式来生成数据的，如下

train_dataset = tf.data.Dataset.from_tensor_slices(train)iterator = tf.data.Iterator.from_structure(train_dataset.output_types, train_dataset.output_shapes)img, label = iterator.get_next()

复制代码

什么是生成器

上面说过生成器的结果是产生一个可以迭代的对象，可以通过for循环来访问。

那它和其他的可迭代对象有什么不同呢？

生成器的特性：

它是一个延迟的可迭代对象，也就是说它不是一次性生成所有的迭代的内容（如列表中的所有元素），而是需要的时候才生成结果即：一边循环一边生成计算
好处是：不用一次性存储所有的内容，节省内存。这个对于访问大量数据的时候是十分有帮助的

我们来看看上面的这些特性

(1)通过 yield 来构造一个生成器

def normal_iter():    ret = []    for i in range(10):        ret.append(i**2)    return retdef generator():    for i in range(10):        yield i**2# normal_iter 存储所有的结果# generator 通过yield返回一个生成器，调用的时候才返回生成的对象for i in normal_iter():    print(i)for i in generator():    print(i)
# 另外可以通过()构建一个生成器L = [x * x for x in range(10)]g = (x * x for x in range(10))print(L)# [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]print(g)# <generator object <genexpr> at 0x7ff566b8cf10>