python笔记（14）迭代器和生成器

 迭代器的优势

• 延迟计算：迭代器按需提供数据，无需一次性加载整个数据集到内存中，特别适合处理大规模或无限数据流。
• 资源效率：减少内存占用，尤其在处理大量数据时，避免一次性构建完整数据结构带来的开销。
• 统一接口：任何支持迭代协议的对象都可以在for循环中无缝使用，提供一致的遍历体验。

迭代器

迭代器是一个可以记住遍历的位置的对象

迭代器是一个实现了特定协议的对象，它能够按照一定的顺序返回集合中的元素。在Python中，一个对象要成为迭代器，需要满足以下条件：

1. 实现__iter__()方法：返回迭代器对象自身，表明该对象是可迭代的。

2. 实现__next__()方法：返回序列中的下一个元素。当没有更多元素时，抛出StopIteration异常。

借助iter()函数，您可以轻松地将任何可迭代对象（如列表、字典、字符串等）转换为其对应的迭代器。迭代器通常与for循环搭配使用，因为for循环会自动调用__iter__()和__next__()方法。

示例：使用迭代器遍历列表

numbers = [1, 2, 3, 4, 5]# 获取列表的迭代器
it = iter(numbers)# 使用迭代器逐个访问元素
while True:try:number = next(it)print(number)except StopIteration:break

生成器（Generators）

生成器是迭代器的一种特殊实现，它以更简洁、易于维护的方式创建迭代器。生成器有两种形式：生成器函数和生成器表达式。

生成器函数

生成器函数使用yield关键字替代return来返回值。当函数被调用时，它并不会立即执行函数体，而是返回一个生成器对象。每次对生成器对象调用next()方法时，函数从上次暂停的位置（即上次yield语句处）恢复执行，直到遇到下一个yield表达式，此时返回该表达式的值，并再次暂停。一旦函数结束或没有更多yield语句，就会抛出StopIteration异常。

示例：生成器函数生成斐波那契数列

def fibonacci(n):a, b = 0, 1for _ in range(n):yield aa, b = b, a + b# 创建生成器对象
fib_gen = fibonacci(10)# 使用for循环或next()方法遍历生成器
for num in fib_gen:print(num)

生成器表达式

生成器表达式是一种类似列表推导式的语法结构，但使用圆括号而不是方括号。它返回一个生成器对象，而非直接创建列表。生成器表达式同样适用于处理大型数据集，因为它按需生成值，而非一次性生成所有元素。

示例：生成器表达式过滤偶数

numbers = range(1, 11)
even_numbers_gen = (num for num in numbers if num % 2 == 0)# 遍历生成器表达式的结果
for num in even_numbers_gen:print(num)

生成器的附加方法

除了__iter__()和__next__()方法外，生成器还提供了几个附加方法，增加了与生成器的交互能力：

• send(value)：向生成器发送一个值，恢复执行并返回下一个yield表达式的值。首次调用send()时，应传入None以启动生成器。

• throw(exception_type[, value[, traceback]])：向生成器抛出一个异常，使其在捕获该异常的位置恢复执行。

• close()：导致生成器抛出GeneratorExit异常，用于终止生成器的执行。

应用场景

• 处理大数据：遍历大型文件、网络流或数据库查询结果，避免一次性加载全部数据。

• 计算密集型任务：分步计算复杂问题，如动态规划、斐波那契数列等，按需生成中间结果。

• 模拟无限序列：生成无限随机数序列、模拟实时数据流等。

• 资源优化：在内存受限环境中，如嵌入式设备或微服务，减少内存消耗。