python高级特性

1. 列表生成式（List Comprehensions）

列表生成式即List Comprehensions，是Python内置的非常简单却强大的可以用来创建list的生成式。

比如：

>>> [x * x for x in range(1, 11)]
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

加上限制条件，可以用if else

比如，for循环后面还可以加上if判断，这样我们就可以筛选出仅偶数的平方：

>>> [x * x for x in range(1, 11) if x % 2 == 0]
[4, 16, 36, 64, 100]

2. 生成器（generator）

我们可以通过列表生成器直接创建一个列表，但是当需要创建列表的元素非常多时，会需要占用电脑很大的空间。有时候我们又不需要使用全部的元素，可能只需要其中几个元素。

这时候就需要用到生成器（generator），生成器通过某种算法/规则，推算出来，在for循环中可以不断地得到后续的元素。这样就不必要创建完整的list，从而节省大量的空间。这种一边循环一边计算的机制，叫做生成器。

2.1 创建方法：

1. 在普通列表里面：第一种方法很简单，只要把一个列表生成式的[]改成()，就创建了一个generator
2. 在函数生成的数据里面：如果一个函数定义中包含yield关键字，那么这个函数就不再是一个普通函数，而是一个generator

2.2 举例1

>>> L = [x * x for x in range(10)]
>>> L
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

>>> g = (x * x for x in range(10))
>>> g
<generator object <genexpr> at 0x1022ef630>

创建L和g的区别仅在于最外层的[]和()，L是一个list，而g是一个generator。如果要j将生成器里面的元素一个一个打印出来，可以通过next()函数获得generator的下一个返回值。或者使用for循环。for n in g这里的n就是g里面的元素。

2.3 举例2

加入需要创建一个斐波那契数列，取斐波那契数列的第30-35的值。

一般来讲

def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        print(b)
        a, b = b, a + b
        n = n + 1
    return 'done'

>>fib(6)
1
1
2
3
5
8
'done'

只要将上述的print修改为yield

def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        yield b
        a, b = b, a + b
        n = n + 1
    return 'done'

那么生成的就是generator

>>> f = fib(6)
>>> f
<generator object fib at 0x104feaaa0>

2.4 **Annotation: **

2.4.1. difference between function and generator

• 函数：顺序执行知道遇到return语句或者最后一行函数语句就返回
• 生成器：每次调用next才会执行，遇到yield语句返回，再次执行时，从上次yield的地方继续执行。

2.4.2. generator提取元素，也是用for循环：

>>> for n in fib(6):
...     print(n)
...
1
1
2
3
5
8

2.4.3. 拿到generator的返回值：

用for循环调用generator时，发现拿不到generator的return语句的返回值。如果想要拿到返回值，必须捕获StopIteration错误，返回值包含在StopIteration的value中：

>>> g = fib(6)
>>> while True:
...     try:
...         x = next(g)
...         print('g:', x)
...     except StopIteration as e:
...         print('Generator return value:', e.value)
...         break
...
g: 1
g: 1
g: 2
g: 3
g: 5
g: 8
Generator return value: done

3. 迭代器

数据关于迭代的有两种，一种是可迭代Iterable对象，一种是Iterator对象。下面来详细解释一下

3.1 Iterable对象数据：

目前可以直接用for循环作用的数据类型有以下几种：

一类是集合数据类型，如list,tuple, dict, set, str.

一类是上述提到的generator，包括生成器和带yield的generator function

这些都是可以直接作用于for循环的对象，统称为可迭代对象：Iterable

可以使用isinstance()判断一个对象是否是Iterable对象：

>>> from collections.abc import Iterable
>>> isinstance([], Iterable)
True
>>> isinstance({}, Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance((x for x in range(10)), Iterable)
True
>>> isinstance(100, Iterable)
False

3.2 Iterator对象数据：

可以被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator

也可以使用isinstance()判断一个对象是否是Iterator对象：

>>> from collections.abc import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True
>>> isinstance([], Iterator)
False
>>> isinstance({}, Iterator)
False
>>> isinstance('abc', Iterator)
False

Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration错误。可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，所以Iterator的计算是惰性的，只有在需要返回下一个数据时它才会计算。

Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。

3.3 小结

凡是可作用于for循环的对象都是Iterable类型；

凡是可作用于next()函数的对象都是Iterator类型，它们表示一个惰性计算的序列；