怎么分析Python生成器、迭代器与yield语句

这篇文章给大家介绍怎么分析Python生成器、迭代器与yield语句，内容非常详细，感兴趣的小伙伴们可以参考借鉴，希望对大家能有所帮助。

创新互联建站秉承实现全网价值营销的理念，以专业定制企业官网，成都网站建设、网站建设，微信小程序，网页设计制作，移动网站建设，成都营销网站建设帮助传统企业实现“互联网+”转型升级专业定制企业官网,公司注重人才、技术和管理，汇聚了一批优秀的互联网技术人才,对客户都以感恩的心态奉献自己的专业和所长。

今天要分享的内容是Python的生成器、迭代器与yield语句。主要包括什么是生成器，如何定义一个生成器，如何调用生成器包含的元素。迭代器也是一样的，最后介绍yield语句，以及它和生成器有什么关系。

[* ! *] 理解本文需要一定的基础，需要了解Python列表的定义，基本操作，字典，元组，字符串的概念。Python中for循环的语法结构，以及需要知道

if __name__ =="__main__":

的作用是什么？

1. 迭代

首先来看一下迭代的定义：

如果给定一个列表list或元组tuple，我们可以通过for循环来遍历这个list或tuple，这种遍历我们称为迭代（Iteration）。

用人话说一遍就是给一个列表或者元组，把里面的元素挨个看看都是啥，且只看一遍，就叫做迭代。下面写个简单的栗子。首先定义一个list_a，然后通过for循环遍历每一个元素，并打印出list_a中的每一个元素（图1），这就是对list_a迭代的过程。

迭代器的定义：

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)。

一般来说迭代器都是可以迭代的。

图1

刚才介绍的是对Python中列表的迭代，那么对于其他对象是不是也可以迭代呢？怎么来判断一个对象是不是可迭代的呢？我们可以利用collections模块中的Iterable函数来判断一个对象是不是可迭代的。比如：

分别定义列表，元组，字符串，字典，整数5种数据类型a,b,c,d,e，然后分别判断是否可迭代，见图2。结果可以看到除了整数不可迭代外，其他4种数据类型都是可迭代的。

图2

2. 列表生成式

顾名思义，列表生成式就是用来自动创建一个列表表达式。使用列表生成式来创建列表的一个好处是可以简化代码，使代码美观，减少工作量。

举个简单的栗子，我们定义一个列表，name_list，然后利用列表生成式，将name_list中的大写字母全部变为小写字母。其中

[name.lower() for name in name_list]

就是列表生成式，首先定义对象的某种运算，然后定义一个for循环来遍历对象。

图3

3. 生成器

列表生成式一般用于列表不是特别长，占用内存比较小的情况，如果数据量很大，生成器是比列表生成式更好的选择。在Python中，一边进行某种运算，一遍进行循环的机制称为生成器(Generator)。定义一个生成器有一种很简单的方法，就是把列表生成式中的[ ]改为（ ）即可。还是刚才的栗子，我们把生成器对象打印一下，看到

at 0x00000000038FF828>

lower_name_list是一个generator object，生成器对象。

图4

然后介绍一下怎么查看这个生成器对象中有哪些元素？对于生成器对象来说，使用生成器的next()方法来输出每一个对象。Next()的意思就是下一个，就好像是next()对生成器说，来吧，下一个，生成器就把下一个元素吐出来了，知道生成器中没有可迭代的对象的时候，就会抛出StopIteration异常（图5）。

图5

接下来我们学习另外一种输出生成器中元素的方法，就是用for循环来迭代生成器中的元素(图6)。这是因为生成器是一种可迭代的对象，所以可以使用for循环来遍历。

>>> isinstance(lower_name_list1,Iterable)

>>> True

图6

4.  yield语句

接下来就到了我们今天的重点要介绍的东西，这里必须强行安利一波，yield很有用很有用，最好能熟练掌握。然后为什么这么说呢？这个我要扯一会儿深度学习，我们说的机器学习，或者深度学习，其中非常重要的一个环节就是读取数据，就是把数据读进来然后交给我们的模型去训练，去学习。那么问题来了，给你一个100万张图片，或者1G的文本数据，你怎么来读数据？传统的方法在求解机器学习算法的时候，大部分是使用批梯度下降法（Batch Gradient Descent），一般是一次性把数据都读进来，然后整体做梯度下降。但是现在是大数据时代了，数据量一般都很大，如果一次读进来，内存肯定不够用，如果是GPU，同样显存也不够用。所以就有了后来的mini-batch 梯度下降，到底有多mini呢，通常远远小于全部数据量，这个数字就是我们在训练模型的时候取得batchsize的大小。意思就是从一个很大的数据集里面，每次只取很小的一部分数据集，然后遍历整个数据集。

这个思想和Python的yield语句极为吻合，所以我强烈推荐大家掌握yield语句。下面我们开始yield语句的学习。

首先来看一下Python官方文档中，对yield的解释。

意思是：yiled语句仅在定义一个生成器函数的时候使用，并且在生成器函数的函数体里面使用。在函数定义中使用yield语句之后，这个函数就不是一般的函数，而是生成器函数。

当我们调用生成器函数的时候，将会返回一个生成器。我们通过调用生成器的next（）方法来执行生成器函数，直到抛出异常。

当执行yield语句的时候，生成器对象是被冻结的，执行的结果只有next()方法所返回的list。冻结的意思是除了next()方法可以返回一个列表以外，其他的变量都不会执行。

把这段文档简单理解一下就是我们可以通过定义一个包含yield语句的函数，来定义一个生成器函数。这个生成器函数可以通过next()方法来执行。

下面我们举个具体的栗子，来看一下yield的执行原理。

首先我们定义了两个函数，yield_test()和yield_test2(),第一个函数是用return来返回输出值，第二个函数用yield来返回。这样做是为了反映return和yield的区别，也是为了体现包含yield语句函数的不同之处。为什么要做这个比较呢，说白了，yield语句其实也是返回一个值，只不过这个返回方式不太寻常，它是以生成器函数的形式返回，所以我们对比一下和return的区别，看看哪里不一样。

# - * -coding:utf-8 - * -

defyield_test():

    list_a = range(5)

    list_b = []

    for i in list_a:

        list_b.append(i * i)

    return list_b

defyield_test2():

    list_a = range(5)

    for i in list_a:

        yield i * i

if __name__ =="__main__":

    results = yield_test()

    results2 = yield_test2()

    print("The results is:", results)

    print("The type of results is: ",type(results))

    print("The results2 is: ",results2)

    print("The type of results2 is:", type(results2))

    result_list = []

    for x in results2:

        result_list.append(x)

    print("The result_list is:",result_list)

下面是程序输出结果

"""

('The results is:', [0, 1, 4, 9, 16])

('The type of results is: ', )

('The results2is: ', )

('The type of results2 is: ', )

('The result_list is:', [0, 1, 4, 9, 16])

"""

关于怎么分析Python生成器、迭代器与yield语句就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。