[TOC]
迭代器
為什么要用迭代器？
提供了一種不依賴索引的取值方式，使一些不具有索引屬性的對象也能遍歷輸出
相比列表，迭代器的惰性計算更加節約內存。
但是它無法有針對性地指定取某個值，并且只能向后取值。
>>> from collections import Iterable
>>> isinstance([],Iterable)
True
>>> from collections import Iterator
>>> isinstance((x for x in range(10)),Iterator)
True
>>> isinstance([],Iterator)
False
>>> isinstance({},Iterator)
False
>>> isinstance('abx',Iterator)
False
注意這兩個單詞：‘Iterable’和‘Iterator’
老師區分可迭代對象和迭代器的方法，就是對象是否內置
.__iter__方法。而這個方法的運行，也就是xxx.__iter__()，被賦值給一個i。i = xxx.__iter__
那么這個i就成為一個迭代器。這個過程也可以表示為i = iter(xxx)
迭代器本身就有一個i.__next__方法，其實就相當于next(i)
Iterable：表示這個對象是“可以被迭代的”。比如說list、dict、str都是Iterable，但是根據上面代碼可以發現，list、dict、str并不能算迭代器。
Iterator：迭代器對象。定義迭代器對象的時候，要有“數據流”的概念。迭代器和可迭代對象的差別就在于，迭代器是一個數據流，可以看成是一個有序序列，我們不知道序列的長度，只能通過
next()函數對他進行不斷迭代，直到爆出StopIteration的錯誤提示.
其實這個
StopIteration并不能算一個錯誤，只是一個提示，表示這個迭代器已經被迭代完了。這時候就需要使用try……except……函數來規避掉這個錯誤，在出現StopIteration的時候自動跳出迭代。
可迭代對象轉換成迭代器： iter()
小結：
凡是可以使用for循環的，都是Iterabale；
凡是可以使用next()方法的都是Iterator，迭代器代表一個惰性計算（無限有限皆可）序列，比方說：全體自然數集合就是一個Iterator；
一個迭代器被iter()之后，仍然是一個迭代器
for x in [1,2,3,4,5,6]:
print (x)
print('======================')
it = iter([1,2,3,4,5,6])
while True:
try:
print(next(it))
except StopIteration:
break
以上兩段代碼輸出結果相同，所以我們就能理解for方法的運行原理了
生成器
- 關鍵字：
yield
為什么要使用生成器，什么是生成器？
可循環的類型（Iteratable）比如list，占用內存空間較大，當你想要其中的一個元素的時候只能將list放在內存里，根據索引去獲取，生成器本質就是一個迭代器，但是我們知道迭代器是可以循環出來的，每次都可以只輸出一個值，節約了內存空間。
如果一個迭代對象，他后面的每個值都是可以根據一定計算獲得的。我們是否可以在循環的過程中不斷推算出后續的元素，這樣就不必創建list，節省了大部分空間。
這種一邊循環一邊計算的機制，就是生成器：generator
如何創建一個生成器
- 將列表生成式的
[]改成()
>>> 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 0x0000006CC7E0D1A8>
列表生成后，list可以直接打印出來，但是generator的迭代器屬性，每個元素需要用next()函數獲取
>>> next(g)
0
>>> next(g)
1
>>> next(g)
4
>>> next(g)
9
以上這種調用方式，手工操作部分太多了，所以正確的調用應該是使用for循環：
>>> next(g)
0
>>> next(g)
1
>>> next(g)
4
>>> next(g)
9
>>> for i in g:
... print(i)
...
16
25
36
49
64
81
啊哈哈哈哈，側面反映了迭代器的單項輸出性質，只能迭代下一個。這里還可以注意到，用for調用generator的時候，不需要擔心StopIteration錯誤
舉個栗子：斐波拉契數列
函數生成斐波拉契數列，并注釋邏輯：
# 函數生成斐波拉契數列
def fibonacci(max):
n, a, b = 0, 0, 1 #這里的n用于計數，取最大數用
#a是前置數，用于配合b獲取最開始的兩個數字
#b是第一個數
while n < max: #當n未達到max的時候
print(b) #打印數字b，后面可以看到，b的值是前兩個數相加的和
a, b = b, a + b #對a，b分別進行賦值，a是原來的b，b是前兩數相加獲得后的和
n = n + 1 #n的計數加一
return 'done'
這時候執行fibonacci（num），得到的結果就是一個最大長度為num的fibonacci數列了。
而想要把這個函數改成一個generator，其實只要通過一句yield就可以:
# 函數生成斐波拉契生成器
def fibonacci(max):
n, a, b = 0, 0, 1
while n < max:
yield b
a, b = b, a + b
n = n + 1
return 'done'
print(fibonacci(10))
結果為：
<generator object fibonacci at 0x000000D75546D1A8>
Process finished with exit code 0
這里的fibonacci已經不再是一個函數了，而是一個生成器，他的結果需要被循環出來，而他本身就作為一個方法被儲存在某個變量里。
f = fibonacci(6)
for i in f :
print(i)
用yield返回結果的執行流程
使用了yield之后，函數就變成了生成器。我們原先認為函數運行到return、或者函數的最后一行語句就返回。但是添加了yield之后的生成器不一樣，在每次調用了next()執行，遇到yield就返回，再次執行時，從上次返回的yield開始繼續執行
在一個函數中，可以有多個yield，但是這種不太常見，在我的理解里，yield就有點像IDE當中的debug斷點，在指定斷點輸出一個值。但是這個斷點越多越復雜，反而會不好，因為他最終返回的生成器是一個同類數據流，當你這個數據流中的數據出現兩種，就不太適合被再次加工了。
所以一般用一個yield來定義一束數據流（生成器），然后通過生成器具有的迭代器特性來逐個輸出處理數據。起到節約內存的作用。
注意：yield有時候會作為一個傳參工具（下文會細說，搭配.send()使用，被稱為協程函數），這時候的yield會被放在一個函數中比較靠前位置，但是函數本身暫時沒有可以輸出的值，這時候就需要提前使用next()方法，將生成器初始化到yield的位置
比較優秀的方法，是使用裝飾器，提前將函數next()或者g.send(None)一次，并且方便后面的生成器運行調用:
def init(func):
def wrapper(*args,**kwargs):
res = func(*args,**kwargs)
next(res)
return res
return wrapper
@init
如果上次的
yield是最后一個，并且生成器是一個被while包圍的函數，就從上次結束的yield處繼續下次循環，仍然遇到這個yield就輸出返回。
>>> def odd():
... print('step1')
... yield 1
... print('step2')
... yield 2
... print('step3')
... yield 3
>>> o = odd()
>>> next(o)
step1
1
>>> next(o)
step2
2
>>> next(o)
step3
3
實驗記錄：
>>> def foo():
... print('llllll')
... yield 3
... print('wwwwww')
File "<stdin>", line 4
print('wwwwww')
^
IndentationError: unindent does not match any outer indentation level
yield后面跟返回的值如果不用括號括起來，容易報錯，注意養成習慣
作業代碼以及注釋：
#模擬管道功能，將cat的處理結果作為grep的輸入
#從文件中獲取想要的數據
def cat(file_name): #傳參獲得目標文件名
with open(file_name,'r') as f:
res = iter(f.readlines())
return res
#通過readlines方法獲取文件的行集合list，
#并且將這個集合生成為一個迭代器返回給函數
#傳參獲取目標關鍵字，文件內容迭代器，
def grep(key_str,iterator):
for i in iterator:
#迭代文件內容并且匹配關鍵字
if key_str in i.strip():
#匹配到后輸出關鍵字
print (i.strip())
# 調用函數階段：
# grep('apple',cat('a.txt'))
協程函數
如果函數內yield的表達形式為var= yield，那么必須在往生成器函數中傳參前，next(g)或者e.send(None)
因為協程函數中，需要將函數初始化暫停至yield所在點，然后再進行生成器輪巡運算。
面向過程編程
在提協程函數的時候，還需要提一個面向過程編程思想：
流水式的變成思想，在設計程序時，需要把整個流程設計出來。
這種思想的優缺點：
- 優點：
體系結構更加清晰
簡化程序的復雜度 - 缺點：
可擴展性差，一條流程只能給一組功能使用。
作業以及代碼注解：
# 定義一個可以不斷傳入（send方法）網址來進行爬取數據的生成器函數
# 定義一個配合協程函數的裝飾器
def yield_next(func):
def wrapper(*arg,**kwargs):
res = func(*arg,**kwargs)
next(res)
#注意，這里仍然需要返回res給函數wrapper
#如果缺少這步，下方調用return wrapper的時候無效
return res
return wrapper
#模塊加載
from urllib.request import urlopen
@yield_next
def get_url():
while True:
url = yield
#外部傳值給yield 相當于yield 統一資源定位器，并且url能傳入新的值
url_res = urlopen(url) #爬取url指定的頁面內容
webLine = url_res.read() # 讀取html頁面
print(webLine) #輸出url頁面
g = get_url()
#由于之前使用了裝飾器，這里不用next（）
g.send('http://www.baidu.com')
典型范例以及代碼解析：
實現linux中grep -rl 'python' dir_path效果的代碼
# 想了半天覺得這個代碼好蠢，不放了。
列表生成式
范例：
l = ['egg%s'%i for i in range(100) if i >50]
print(l)
g = os.walk(c:\\scott)
l1 = ['%s\\%s'%(i[0],j)for i in g for j in i[-1]]
返回結果放在最前，列表生成的for運算放在中間，后面可加判斷語句
如果直接調用這個列表生成式的結果給一個函數進行運算，可以不用添加[]
生成器表達式
就是把列表生成的[]換成()
l = ('egg%s'%i for i in range(100) if i >50)
作業和練習
# 今日作業
# 有兩個列表，
# 分別存放來老男孩報名學習linux和python課程的學生名字
linux = ['鋼彈', '小壁虎', '小虎比', 'alex', 'wupeiqi', 'yuanhao']
python = ['dragon', '鋼彈', 'zhejiangF4', '小虎比']
# 問題一：得出既報名linux又報名python的學生列表
l1 = [x for x in linux if x in python]
print (l1)
# 問題二：得出只報名linux，而沒有報名python的學生列表
l2 = [x for x in linux if x not in python]
print(l2)
# 問題三：得出只報名python，而沒有報名linux的學生列表
l3 = [x for x in python if x not in linux]
print(l3)
shares = {
'IBM': 36.6,
'lenovo': 27.3,
'huawei': 40.3,
'oldboy': 3.2,
'ocean':20.1
}
# 問題一：得出股票價格大于30的股票名字列表
list_1 = [i for i in shares if shares[i]>30]
print(list_1)
# 問題二：求出所有股票的總價格
list_sum = sum (shares[i] for i in shares)
print(list_sum)
l = [10, 2, 3, 4, 5, 6, 7]
# 得到一個新列表l1，
# 新列表中每個元素是l中對應每個元素值的平方
l1 = [(x*x) for x in l]
print(l1)
# 過濾出l1中大于40的值，然后求和
l1_sum = sum(y for y in l1 if y >40)
print(l1_sum)
