python基础知识整理——迭代初探

在了解Python的数据结构时，容器(container)、可迭代对象(iterable)、迭代器(iterator)、生成器(generator)、列表/集合/字典推导式(list,set,dict comprehension)众多概念参杂在一起，难免让初学者一头雾水，我将用一篇文章试图将这些概念以及它们之间的关系捋清楚。

1.容器(container)

容器是一种把多个元素组织在一起的数据结构，容器中的元素可以逐个地迭代获取，可以用in, not in关键字判断元素是否包含在容器中。通常这类数据结构把所有的元素存储在内存中（也有一些特例，并不是所有的元素都放在内存，比如迭代器和生成器对象）在Python中，常见的容器对象有：

list, deque（队列）, ….
set, frozensets（）, ….
dict, defaultdict, OrderedDict, Counter, ….
tuple, namedtuple, …
str

容器比较容易理解，因为你就可以把它看作是一个盒子、一栋房子、一个柜子，里面可以塞任何东西。从技术角度来说，当它可以用来询问某个元素是否包含在其中时，那么这个对象就可以认为是一个容器，比如 list，set，tuples都是容器对象：

尽管绝大多数容器都提供了某种方式来获取其中的每一个元素，但这并不是容器本身提供的能力，而是可迭代对象赋予了容器这种能力，当然并不是所有的容器都是可迭代的，比如：Bloom filter，虽然Bloom filter可以用来检测某个元素是否包含在容器中，但是并不能从容器中获取其中的每一个值，因为Bloom filter压根就没把元素存储在容器中，而是通过一个散列函数映射成一个值保存在数组中。

2.可迭代对象(iterable)

很多容器都是可迭代对象，此外还有更多的对象同样也是可迭代对象，比如处于打开状态的files，sockets等等。但凡是可以返回一个迭代器的对象都可称之为可迭代对象。通过iter函数可以把一些数据对象变成可迭代的对象（迭代器）。

>>> a=[1,2,3]
>>> y=iter(a)
>>> z=iter(a)
>>> next y
SyntaxError: invalid syntax
>>> next(y)
1
>>> next(y)
2
>>> next(x)
Traceback (most recent call last):
  File "<pyshell#11>", line 1, in <module>
    next(x)
NameError: name 'x' is not defined
>>> next(z)
1
>>> type(a)
<class 'list'>
>>> type(y)
<class 'list_iterator'>
>>> type(z)
<class 'list_iterator'>
>>>

这里x是一个可迭代对象，可迭代对象和容器一样是一种通俗的叫法，并不是指某种具体的数据类型，list是可迭代对象，dict是可迭代对象，set也是可迭代对象。y和z是两个独立的迭代器，迭代器内部持有一个状态，该状态用于记录当前迭代所在的位置，以方便下次迭代的时候获取正确的元素。迭代器有一种具体的迭代器类型，比如list_iterator，set_iterator。可迭代对象实现了__iter__方法，该方法返回一个迭代器对象。

3.迭代器(iterator)

概念：它是一个带状态的对象，他能在你调用next()方法的时候返回容器中的下一个值。
组成特点：任何实现了__iter__和__next__()（python2中实现next()）方法的对象都是迭代器，__iter__返回迭代器自身，__next__返回容器中的下一个值，如果容器中没有更多元素了，则抛出StopIteration异常。
所以，迭代器就是实现了工厂模式的对象，它在你每次你询问要下一个值的时候给你返回。他是一个可迭代的对象。

有很多关于迭代器的例子，比如itertools函数返回的都是迭代器对象。生成一个迭代器有两种方法，一种是通过内置的函数itertools，一种是自定义函数。

#生成一个无限序列
from itertools import count
c=count(start=12)
type(c)
<class 'itertools.count'>
next(c)
12
next(c)
13
for i in c:
    print i
count(14)
count(15)
count(16)
count(17)
count(18)
count(19)
count(20)
count(21)
count(22)
count(23)
count(24)
count(25)
count(26)
count(27)
count(28)
count(29)
count(30)
count(31)
count(32)
count(33)
count(34)
count(35)
count(36)
count(37)
......

#一个有限序列生成一个无限序列
>>> from itertools import cycle
>>> colors=cycle(['red','white','blue'])
>>> next(colors)
'red'
>>> next(colors)
'white'
>>> next(colors)
'blue'
>>> next(colors)
'red'#循环

#一个无限序列生成一个有限序列
>>> from itertools import islice
>>> c=cycle(['red','white','blue'])
>>> limited=islice(c,0,4)
>>> for i in limited:
	print(i)

	
red
white
blue
red
>>> 
#自定义一个可迭代对象
>>> class fib:
	def __init__(self):
		self.prev=0
		self.curr=1
	def __iter__(self):
		return self
	def __next__(self):
		value=self.curr
		self.curr+=self.prev
		self.prev=value
		return value

	
>>> f=fib()
>>> list(islice(f,0,10))
[1, 1, 2, 3, 5, 8, 13, 21, 34, 55]

Fib既是一个可迭代对象（因为它实现了__iter__方法），又是一个迭代器（因为实现了__next__方法）。实例变量prev和curr用户维护迭代器内部的状态。每次调用next()方法的时候做两件事：

为下一次调用next()方法修改状态
为当前这次调用生成返回结果

迭代器就像一个懒加载的工厂，等到有人需要的时候才给它生成值返回，没调用的时候就处于休眠状态等待下一次调用。

4.生成器(generator)

扫描二维码关注公众号，回复： 111359 查看本文章

生成器算得上是Python语言中最吸引人的特性之一，生成器是一种迭代器，是一种特殊的函数。它不需要再像上面的类一样写__iter__()和__next__()方法了，只需要一个yiled关键字。生成器一定是迭代器（反之不成立），因此任何生成器也是以一种懒加载的模式生成值。使用yield操作将函数构造成迭代器。普通的函数有一个入口，有一个返回值；当函数被调用时，从入口开始执行，结束时返回相应的返回值。生成器定义的函数，有多个入口和多个返回值；对生成器执行next()操作，进行生成器的入口开始执行代码，yield操作向调用者返回一个值，并将函数挂起；挂起时，函数执行的环境和参数被保存下来；对生成器执行另一个next()操作时，参数从挂起状态被重新调用，进入上次挂起的执行环境继续下面的操作，到下一个yield操作时重复上面的过程。Python的循环操作与C语言的实现不同，如果使用List等数据结构需要耗费大量的内容；循环操作中使用生成器只需要在内存中实例化一个对象，可以减少内存占用，提高循环操作的执行速度。

用生成器来实现斐波那契数列的例子是：

>>> def fib():
	prev,curr=0,1
	while True:
		yield curr
                #返回一个值，当内部的next再次调用时，在返回一个值，如此重复这一动作（相当于把__iter__和__next__封装到yiled中）
		prev,curr=curr,curr+prev
                #prev=curr
                #curr=curr+prev

		
>>> f=fib()
>>> list(islice(f,0,10))
[1, 1, 2, 3, 5, 8, 13, 21, 34, 55]
>>> type(f)
<class 'generator'>

fib就是一个普通的python函数，它特殊的地方在于函数体中没有return关键字，函数的返回值是一个生成器对象。当执行f=fib()返回的是一个生成器对象，此时函数体中的代码并不会执行，只有显示或隐示地调用next的时候才会真正执行里面的代码。

生成器在Python中是一个非常强大的编程结构，可以用更少地中间变量写流式代码，此外，相比其它容器对象它更能节省内存和CPU，当然它可以用更少的代码来实现相似的功能。现在就可以动手重构你的代码了，但凡看到类似：

>>> def somthing():
	result=[]
	for i in range(0,19):
		result.append(i)
	return result

>>> f=somthing()
>>> print (f)
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18]
>>> type(f)
<class 'list'>
#当遇到以上形式的函数时，都可以替换成下面的函数
>>> def iter_something():
	for i in range(0,19):
		yield x

		
>>> iter_generator=somthing()
>>> print(iter_generator)
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18]
>>> type(iter_generator)
<class 'list'>
>>>

生成器表达式(generator expression)

生成器表达式是列表推倒式的生成器版本，看起来像列表推导式，但是它返回的是一个生成器对象而不是列表对象。

>>> a=(x*x for x in range(10))
>>> a
<generator object <genexpr> at 0x000000000351EE10>
>>> sum(a)
285
>>> sum(x*x for x in range(0,10))
285
>>> (x+x for x in range(0,19) )
<generator object <genexpr> at 0x000000000351EE58>
>>> print((x+x for x in range(0,19)))
<generator object <genexpr> at 0x000000000351EF78>
>>> a=(x+x for x in range(0,19))
>>> a
<generator object <genexpr> at 0x000000000351EF30>
>>> list(a)
[0, 2, 4, 6, 8, 10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36]
>>> tuple(a)
()
>>> set(a)
set()