Python|生成器

01

列表生成式的缺点

通过列表生成式，我们可以直接创建一个列表。但是，内存数量有限，列表容量肯定不能超过内存大小。

再有，创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面10%的元素，那后面绝大多数元素占用的空间都白白浪费了。

02

解决办法

如果列表元素中的元素可以按照某种算法推算出来，那是否可以在循环过程中，推算出我们需要的一定数量的元素呢？

这样地话，我们就可以灵活地创建需要数量的list，从而节省大量的空间。

在 Python 中，这种一边循环一边计算的机制，称为生成器： generator 。

03

创建generator

下面介绍两种创建generator的方法

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

g = ( x * x for x in range(10) )

g is a generator object

第二种方法是函数中带有 yield ，那么此函数就不再是函数了，而是一个generator,

def generatorfun():
print('step 1')
yield(10)
print('step 2')
yield 30

04

generator特殊之处

最难理解的就是generator和函数的执行流程不一样。

函数是顺序执行，遇到return语句或者最后一行函数语句就返回。

变成generator的函数，在每次调用next()的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句处继续执行。

通过03节的例子体会这个执行顺序：

gen = generatorfun()
print(next(gen))
print(next(gen))

以上输出：

step 1
10
step 2
30

因此，调用第二个next(gen)时，是从第一个yield后一句代码开始执行的。

05

通过捕获去拿返回值

generator对象实际使用时，一般嵌入在for循环中，generator函数的返回值如何拿到呢？

必须捕获 StopIteration 错误，返回值包含在StopIteration的value中。

def generatorfun():
print('step 1')
yield(10)
print('step 2')
yield 30
return "Okay"
gen = generatorfun()
while True:
    try:
        print(next(gen))
    except StopIteration as e:
        print("return value: "+ e.value)
        break

输出为：

step 1
10
step 2
30
return value: Okay

《实例》阐述算法，通俗易懂，助您对算法的理解达到一个新高度。包含但不限于：基本算法，机器学习，深度学习，Kaggle实战，Spark和Tensorflow等。期待您的到来！