[人工智能]Python——生成器

Python——生成器

概要

生成器作用：解决"数据占用内存过大"问题的有效办法；

内部原理：生成器内部通过特定算法推导出值，生成器本身只保存推导出值的算法，并不保存值；

创建生成器

一、生成器表达式

回顾以下：之前的列表推导式

list1 = [i for i in range(5)]

生成器表达式类似于列表推导式，使用的符号发生变化：

generator1 = (i for i in range(5))

使用next函数对生成器进行迭代，当无法继续迭代会抛出StopIteration异常：

print(next(generator1))		# 0
print(next(generator1))		# 1

# 也可以之间遍历输出
for i in generator1:
    print(i)

二、生成器函数

定义：通过编写"算法"，创建生成器对象；

特点：

1、函数中必须包含yield关键字；

2、yield返回什么，就是每次迭代时推导出什么；

3、每一次迭代时，生成器内部的代码都将执行到下一个yield的位置暂停；

代码案例：

1、定义一个简单的生成器

def gen_fun():
	num = 0
	while num < 10:
		yield num
		num += 1

if __name__ == '__main__':
	gen = gen_fun()
	print(next(gen))			# 0

2、比较生成器对象和列表对象的空间大小

list1 = [i for i in range(1000)]
gen1 = (i for i in range(1000))

print(sys.getsizeof(list1))				# 9024
print(sys.getsizeof(gen1))				# 88

? 结论：由此可见，定义1000个数大小的列表，占比是生成器的100多倍，所以在内存占比要求小的任务中，使用生成器比列表要更优；

迭代器

注意点：

1、可迭代对象并不一定是迭代器；

2、迭代器内部一定要实现__iter__和__next__，可以作为next函数的参数；

3、迭代器最节约内存；

代码案例（判断列表是不是迭代器）：

from collections.abc import Iterable, Iterator
list1 = [1, 2, 3]
print(isinstance(list1, Iterable))		# True 列表是可迭代对象
print(isinstance(list1, Iterator))		# False 列表不是迭代器

比较迭代器和生成器的空间占比可以发现，迭代器占比是生成器的二分之一；

关于迭代器的生成，详见__iter__和__next__方法的使用；（介绍Python类的特殊方法部分）

end！希望大家在开发中多使用迭代器和生成器，达到节省内存和高效开发的作用！