Day4 - 迭代器&生成器、装饰器、Json & pickle 数据序列化、软件目录结构规范

发布时间：2023-09-06 01:12责任编辑：林大明关键词：暂无标签

---恢复内容开始---

本节内容

迭代器&生成器
装饰器
Json & pickle 数据序列化
软件目录结构规范
作业:ATM项目开发

1.列表生成式，迭代器&生成器

列表生成式

需求：列表a =[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]，要求把列表里的每个值加1

1 a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]2 b = []3 for i in a:4 ????b.append(i+1)5 a = b6 print(a)

普通青年版：赋值替换

a = [0,1,2,3,4,5,6,7,8,9]for index,i in enumerate(a): ???a[index] +=1print(a)

文艺青年版：index

1 a = [0,1,2,3,4,5,6,7,8,9]2 c=[]3 b = map(lambda x:x+1, a)4 for i in b :5 ????c.append(i)6 print(c)

文艺青年版： lambda

1 a = [i+1 for i in range(10)]2 print(a)

装逼青年版：列表生成式

生成器

通过列表生成式，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。

要创建一个generator，有很多种方法。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：

L = [x * x for x in range(10)]print(L) ???#输出：[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]g = (x * x for x in range(10))print(g) ??#输出： <generator object <genexpr> at 0x1022ef630>

创建L和g的区别仅在于最外层的[]和()，L是一个list，而g是一个generator。

我们可以直接打印出list的每一个元素，但我们怎么打印出generator的每一个元素呢？

如果要一个一个打印出来，可以通过next()函数获得generator的下一个返回值：

>>>next(g)

0

>>>next(g)

1

>>>next(g)

4

>>>next(g)

9

>>>next(g)

16

>>>next(g)

25

>>>next(g)

36

>>>next(g)

49

>>>next(g)

64

>>>next(g)

81

>>>next(g)

Traceback (most recent call last):

File"<stdin>", line1,in<module>

StopIteration

我们讲过，generator保存的是算法，每次调用next(g)，就计算出g的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的错误。

当然，上面这种不断调用next(g)实在是太变态了，正确的方法是使用for循环，因为generator也是可迭代对象：

>>> g=(x*xforxinrange(10))

>>>forning:

...print(n)

...

0

1

4

9

16

25

36

49

64

81

所以，我们创建了一个generator后，基本上永远不会调用next()，而是通过for循环来迭代它，并且不需要关心StopIteration的错误。

generator非常强大。如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现。

比如，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到：

1, 1, 2, 3, 5, 8, 13, 21, 34, ...

斐波拉契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：

deffib(max):

n, a, b=0,0,1

whilen <max:

print(b)

a, b=b, a+b

n=n+1

return‘done‘

注意，赋值语句：

1	`a, b=b, a+b`

相当于：

t=(b, a+b)# t是一个tuple

a=t[0]

b=t[1]

但不必显式写出临时变量t就可以赋值。

上面的函数可以输出斐波那契数列的前N个数：

>>> fib(10)

1

2

3

5

8

13

21

34

55

done

仔细观察，可以看出，fib函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator。

也就是说，上面的函数和generator仅一步之遥。要把fib函数变成generator，只需要把print(b)改为yield b就可以了：

def fib(max): ???n,a,b = 0,0,1 ???while n < max: ???????#print(b) ???????yield ?b ???????a,b = b,a+b ???????n += 1 ???return ‘done‘

这就是定义generator的另一种方法。如果一个函数定义中包含yield关键字，那么这个函数就不再是一个普通函数，而是一个generator：

>>> f = fib(6)>>> f<generator object fib at 0x104feaaa0>

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。

data = fib(10)print(data)print(data.__next__())print(data.__next__())print("干点别的事")print(data.__next__())print(data.__next__())print(data.__next__())print(data.__next__())print(data.__next__())#输出<generator object fib at 0x101be02b0>11干点别的事235813

在上面fib的例子，我们在循环过程中不断调用yield，就会不断中断。当然要给循环设置一个条件来退出循环，不然就会产生一个无限数列出来。

同样的，把函数改成generator后，我们基本上从来不会用next()来获取下一个返回值，而是直接使用for循环来迭代：

>>> for n in fib(6):... ????print(n)...112358

但是用for循环调用generator时，发现拿不到generator的return语句的返回值。如果想要拿到返回值，必须捕获StopIteration错误，返回值包含在StopIteration的value中：

>>> g=fib(6)

>>>whileTrue:

...try:

... x=next(g)

...print(‘g:‘, x)

...exceptStopIteration as e:

...print(‘Generator return value:‘, e.value)

...break

...

g:1

g:2

g:3

g:5

g:8

Generatorreturnvalue: done

关于如何捕获错误，后面的错误处理还会详细讲解。

还可通过yield实现在单线程的情况下实现并发运算的效果　

 1 import time 2 def consumer(name): 3 ????print("%s 准备吃包子啦!" %name) 4 ????while True: 5 ???????baozi = yield 6 ?7 ???????print("包子[%s]来了,被[%s]吃了!" %(baozi,name)) 8 ?9 10 def producer(name):11 ????c = consumer(‘A‘)12 ????c2 = consumer(‘B‘)13 ????c.__next__()14 ????c2.__next__()15 ????print("老子开始准备做包子啦!")16 ????for i in range(10):17 ????????time.sleep(1)18 ????????print("做了2个包子!")19 ????????c.send(i)20 ????????c2.send(i)21 22 producer("alex")

通过生成器实现协程并行运算

迭代器

我们已经知道，可以直接作用于for循环的数据类型有以下几种：

　　一类是集合数据类型，如list、tuple、dict、set、str等；

　　一类是generator，包括生成器和带yield的generator function。

这些可以直接作用于for循环的对象统称为可迭代对象：Iterable。

可以使用isinstance()判断一个对象是否是Iterable对象：

>>>fromcollectionsimportIterable

>>>isinstance([], Iterable)

True

>>>isinstance({}, Iterable)

True

>>>isinstance(‘abc‘, Iterable)

True

>>>isinstance((xforxinrange(10)), Iterable)

True

>>>isinstance(100, Iterable)

False

而生成器不但可以作用于for循环，还可以被next()函数不断调用并返回下一个值，直到最后抛出StopIteration错误表示无法继续返回下一个值了。

*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。

可以使用isinstance()判断一个对象是否是Iterator对象：

>>>fromcollectionsimportIterator

>>>isinstance((xforxinrange(10)), Iterator)

True

>>>isinstance([], Iterator)

False

>>>isinstance({}, Iterator)

False

>>>isinstance(‘abc‘, Iterator)

False

生成器都是Iterator对象，但list、dict、str虽然是Iterable，却不是Iterator。

把list、dict、str等Iterable变成Iterator可以使用iter()函数：

>>>isinstance(iter([]), Iterator)

True

>>>isinstance(iter(‘abc‘), Iterator)

True

你可能会问，为什么list、dict、str等数据类型不是Iterator？

这是因为Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration错误。可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，所以Iterator的计算是惰性的，只有在需要返回下一个数据时它才会计算。

Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。

小结

凡是可作用于for循环的对象都是Iterable类型；

凡是可作用于next()函数的对象都是Iterator类型，它们表示一个惰性计算的序列；

集合数据类型如list、dict、str等是Iterable但不是Iterator，不过可以通过iter()函数获得一个Iterator对象。

Python的for循环本质上就是通过不断调用next()函数实现的，例如：

1 2	`forxin[1,2,3,4,5]:` `pass`

实际上完全等价于：

# 首先获得Iterator对象:it = iter([1, 2, 3, 4, 5])# 循环:while True: ???try: ???????# 获得下一个值: ???????x = next(it) ???except StopIteration: ???????# 遇到StopIteration就退出循环 ???????break

Day4 - 迭代器&生成器、装饰器、Json & pickle 数据序列化、软件目录结构规范

1.列表生成式，迭代器&生成器

列表生成式

生成器

迭代器

知识推荐