生成器

生成器是 Python 中一种强大的迭代器，在需要的时候生成值，而不是一次性生成所有值。生成器使用 yield 语句定义，每次调用 yield 时，生成器的状态会被冻结，并返回一个值，然后可以在下一次调用时继续执行。这种方式可以节省内存并提高性能，特别适用于处理大型数据集或需要逐个处理的数据。

创建生成器：

生成器可以通过两种方式创建：

1.使用生成器函数：

定义一个函数，并在其中使用 yield 语句生成值。生成器函数使用 yield 来暂停执行并返回一个值，而在下一次调用时从上一次暂停的地方继续执行。

def my_generator(max_limit):
    current = 0
    while current < max_limit:
        yield current
        current += 1

# 创建生成器对象
gen = my_generator(5)

2.使用生成器表达式：

生成器表达式是一种紧凑的方式来创建生成器，类似于列表推导式，但使用圆括号而不是方括号。

gen = (x for x in range(5))

使用生成器：

生成器可以通过 for 循环或内置函数 next() 来使用。每次迭代或调用 next() 时，生成器会执行 yield 语句之前的代码，然后返回 yield 语句的值，将状态保存以便下次继续执行。

# 使用 for 循环遍历生成器
for num in gen:
    print(num)

# 或使用内置函数 next() 逐个获取元素
gen = my_generator(3)
print(next(gen))  # 输出 0
print(next(gen))  # 输出 1
print(next(gen))  # 输出 2

生成器函数与常规函数之间的区别

生成器函数和常规函数之间有一些关键区别，这些区别涉及到它们的工作原理、返回值和执行方式。以下是生成器函数与常规函数之间的主要区别：

返回值类型

• 生成器函数 返回一个生成器对象。生成器对象是一种特殊的迭代器，它允许您逐个生成值，而不是一次性生成所有值。生成器函数使用 yield 语句来定义生成值的逻辑。
• 常规函数 返回一个或多个具体的值。常规函数使用 return 语句来指定要返回的值，一旦函数执行到 return，函数的执行就会终止，并且返回值将被传递给调用者。

执行方式

• 生成器函数 是惰性执行的。它们只在需要时生成值，并且可以在每次生成值后暂停执行。生成器函数的状态会被保持，以便在下一次调用时继续执行。这使得生成器非常适合处理大型数据集或无限序列。
• 常规函数 是一次性执行的。当调用常规函数时，它会按顺序执行函数体中的代码，然后返回一个或多个值。一旦执行到 return 语句，函数的执行就会终止，且无法在函数内部继续执行。

关键语句

• 生成器函数 使用 yield 语句来生成值并冻结函数的状态，以便下次调用时可以继续执行。每次调用 yield，函数会返回一个值，并且函数的状态会被保持。
• 常规函数 使用 return 语句来返回值并终止函数的执行。一旦执行到 return，函数的状态不会被保持，且无法在函数内部继续执行。

内存使用

• 生成器函数 通常节省内存，因为它们一次只生成一个值，而不是一次性生成整个序列。这使得生成器适用于处理大型数据集或需要逐个处理的数据。
• 常规函数 可能会占用较多内存，特别是当它们返回大型数据结构时，因为所有值都会被一次性加载到内存中。

示例代码

# 生成器函数示例
def my_generator(max_limit):
    current = 0
    while current < max_limit:
        yield current
        current += 1

# 常规函数示例
def my_function(max_limit):
    result = []
    for i in range(max_limit):
        result.append(i)
    return result

Python生成器表达式

Python 生成器表达式是一种用于创建生成器对象的简洁语法，类似于列表推导式，但使用圆括号而不是方括号。生成器表达式在需要逐个生成值的情况下非常有用，因为它们以惰性计算的方式生成值，节省内存并提高性能。

生成器表达式的语法如下：

(generator_expression)

生成器表达式由一对圆括号包裹，其中包含生成值的逻辑。在括号内，可以定义一个表达式来生成值，并使用 for 循环来指定要迭代的序列或范围。

示例 1：生成从 0 到 4 的整数的生成器表达式。

gen = (x for x in range(5))

在上述示例中，(x for x in range(5)) 是一个生成器表达式，它会生成从 0 到 4 的整数。

示例 2：生成一个字符串列表中每个字符串的长度的生成器表达式。

strings = ["apple", "banana", "cherry"]
gen = (len(s) for s in strings)

在这个示例中，生成器表达式 (len(s) for s in strings) 会生成每个字符串的长度。

示例 3：生成一个包含满足某个条件的偶数的生成器表达式。

even_numbers = (x for x in range(10) if x % 2 == 0)

在上述示例中，生成器表达式 (x for x in range(10) if x % 2 == 0) 会生成从 0 到 9 中满足条件的偶数。

使用生成器表达式时，生成器对象是懒惰的，只有在需要时才生成值。可以使用 for 循环来遍历生成器对象，或者使用 next() 函数逐个获取值。

示例代码：

# 遍历生成器对象
for num in gen:
    print(num)

# 逐个获取值
gen = (x for x in range(5))
print(next(gen))  # 输出 0
print(next(gen))  # 输出 1

生成器的优势：

1. 节省内存：生成器一次只生成一个元素，不会一次性加载整个序列，因此在处理大型数据集时非常高效。
2. 惰性计算：生成器是惰性的，只在需要时生成元素，这使得它们适用于处理无限序列或需要逐个处理的数据。
3. 简洁性：生成器的语法相对紧凑，可以更轻松地编写和理解。
4. 可迭代性：生成器是可迭代的对象，可以在 for 循环中使用，或者通过 next() 函数逐个获取元素。

示例代码：

以下是一些示例代码，演示如何使用生成器处理数据：

# 生成斐波那契数列的生成器
def fibonacci():
    a, b = 0, 1
    while True:
        yield a
        a, b = b, a + b

# 使用生成器输出前10个斐波那契数
fib_gen = fibonacci()
for _ in range(10):
    print(next(fib_gen))

# 生成无限序列的生成器
def infinite_sequence(start=0):
    while True:
        yield start
        start += 1

# 使用生成器输出从1开始的自然数
nat_nums = infinite_sequence(1)
for _ in range(10):
    print(next(nat_nums))

在上述示例中，创建了一个生成斐波那契数列的生成器以及一个生成自然数序列的生成器。这些生成器可以无限生成值，但只有在需要时才生成，节省了内存。