四、生成器

1、为什么需要生成器

通过上面的学习，可以知道列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含 1000 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几个元素，那后面绝大多数元素占用的空间都白白浪费了。

所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的 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。

在 Python 中，使用了 yield 的函数被称为生成器（generator）。

跟普通函数不同的是，生成器是一个返回迭代器的函数，只能用于迭代操作，更简单点理解生成器就是一个迭代器。

在调用生成器运行的过程中，每次遇到 yield 时函数会暂停并保存当前所有的运行信息，返回yield的值。并在下一次执行 next()方法时从当前位置继续运行。

那么如何创建一个生成器呢？

2、生成器的创建

最简单最简单的方法就是把一个列表生成式的 [] 改成 ()

  1. # -*- coding: UTF-8 -*-
  2. gen= (x * x for x in range(10))
  3. print(gen)

输出的结果：

  1. <generator object <genexpr> at 0x0000000002734A40>

创建 List 和 generator 的区别仅在于最外层的 [] 和 () 。但是生成器并不真正创建数字列表， 而是返回一个生成器，这个生成器在每次计算出一个条目后，把这个条目“产生” ( yield ) 出来。 生成器表达式使用了“惰性计算” ( lazy evaluation，也有翻译为“延迟求值”，我以为这种按需调用 call by need 的方式翻译为惰性更好一些)，只有在检索时才被赋值（ evaluated ），所以在列表比较长的情况下使用内存上更有效。

那么竟然知道了如何创建一个生成器，那么怎么查看里面的元素呢？

3、遍历生成器的元素

按我们的思维，遍历用 for 循环，对了，我们可以试试：

  1. # -*- coding: UTF-8 -*-
  2. gen= (x * x for x in range(10))
  4. for num  in  gen :
  5.     print(num)

没错，直接这样就可以遍历出来了。当然，上面也提到了迭代器，那么用 next() 可以遍历吗？当然也是可以的。

4、以函数的形式实现生成器

上面也提到，创建生成器最简单最简单的方法就是把一个列表生成式的 [] 改成 ()。为啥突然来个以函数的形式来创建呢？

其实生成器也是一种迭代器，但是你只能对其迭代一次。这是因为它们并没有把所有的值存在内存中，而是在运行时生成值。你通过遍历来使用它们，要么用一个“for”循环，要么将它们传递给任意可以进行迭代的函数和结构。而且实际运用中，大多数的生成器都是通过函数来实现的。那么我们该如何通过函数来创建呢？

先不急，来看下这个例子：

  1. # -*- coding: UTF-8 -*-
  2. def my_function():
  3.     for i in range(10):
  4.         print ( i )
  6. my_function()

输出的结果：

  1. 0
  2. 1
  3. 2
  4. 3
  5. 4
  6. 5
  7. 6
  8. 7
  9. 8
  10. 9

如果我们需要把它变成生成器，我们只需要把 print ( i ) 改为 yield i 就可以了，具体看下修改后的例子：

  1. # -*- coding: UTF-8 -*-
  2. def my_function():
  3.     for i in range(10):
  4.         yield i
  6. print(my_function())

输出的结果：

  1. <generator object my_function at 0x0000000002534A40>

但是，这个例子非常不适合使用生成器，发挥不出生成器的特点，生成器的最好的应用应该是：你不想同一时间将所有计算出来的大量结果集分配到内存当中，特别是结果集里还包含循环。因为这样会耗很大的资源。

比如下面是一个计算斐波那契数列的生成器：

  1. # -*- coding: UTF-8 -*-
  2. def fibon(n):
  3.     a = b = 1
  4.     for i in range(n):
  5.         yield a
  6.         a, b = b, a + b
  8. # 引用函数
  9. for x in fibon(1000000):
  10.     print(x , end = ' ')

运行的效果：

计算斐波那契数列的生成器

你看，运行一个这么打的参数，也不会说有卡死的状态，因为这种方式不会使用太大的资源。这里，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。而变成 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。

比如这个例子：

  1. # -*- coding: UTF-8 -*-
  2. def odd():
  3.     print ( 'step 1' )
  4.     yield ( 1 )
  5.     print ( 'step 2' )
  6.     yield ( 3 )
  7.     print ( 'step 3' )
  8.     yield ( 5 )
  10. o = odd()
  11. print( next( o ) )
  12. print( next( o ) )
  13. print( next( o ) )

输出的结果：

  1. step 1
  2. 1
  3. step 2
  4. 3
  5. step 3
  6. 5

可以看到，odd 不是普通函数，而是 generator，在执行过程中，遇到 yield 就中断，下次又继续执行。执行 3 次 yield 后，已经没有 yield 可以执行了，如果你继续打印 print( next( o ) ) ,就会报错的。所以通常在 generator 函数中都要对错误进行捕获。

5、打印杨辉三角

通过学习了生成器，我们可以直接利用生成器的知识点来打印杨辉三角：

  1. # -*- coding: UTF-8 -*-
  2. def triangles( n ):         # 杨辉三角形
  3.     L = [1]
  4.     while True:
  5.         yield L
  6.         L.append(0)
  7.         L = [ L [ i -1 ] + L [ i ] for i in range (len(L))]
  9. n= 0
  10. for t in triangles( 10 ):   # 直接修改函数名即可运行
  11.     print(t)
  12.     n = n + 1
  13.     if n == 10:
  14.         break

输出的结果为：

  1. [1]
  2. [1, 1]
  3. [1, 2, 1]
  4. [1, 3, 3, 1]
  5. [1, 4, 6, 4, 1]
  6. [1, 5, 10, 10, 5, 1]
  7. [1, 6, 15, 20, 15, 6, 1]
  8. [1, 7, 21, 35, 35, 21, 7, 1]
  9. [1, 8, 28, 56, 70, 56, 28, 8, 1]
  10. [1, 9, 36, 84, 126, 126, 84, 36, 9, 1]