深入理解Python迭代器：使用'__iter__”和'__next__”导航数据-Python教程-PHP中文网

深入理解Python迭代器：使用'__iter__”和'__next__”导航数据

Barbara Streisand

发布： 2024-11-29 09:53:13

原创

311 人浏览过

Deep Understanding on Python Iterators: Navigating Data with `__iter__` and `__next__`

迭代器是实现两个方法的任何对象：

__iter__()：返回迭代器对象本身。
__next__()：返回序列中的下一项。当没有更多项目可用时，它会引发 StopIteration 异常。

创建基本迭代器:

class Counter:
    def __init__(self, start, end):
        self.current = start
        self.end = end

    def __iter__(self):
        return self  # Returns itself as an iterator

    def __next__(self):
        if self.current >= self.end:
            raise StopIteration
        self.current += 1
        return self.current - 1

counter = Counter(1, 4)
for number in counter:
    print(number)  # Outputs: 1, 2, 3

登录后复制

此类手动控制 next() 调用，当到达末尾时停止。迭代器有利于处理按需处理每个元素的序列。

2. Python 生成器：高效处理大数据

生成器是创建迭代器的更简单方法。通过使用yield 关键字的函数进行定义，它会在yield 处暂停函数执行，并在调用next() 时恢复函数执行。每个yield语句都会保存函数的状态，这意味着它可以从中断处继续。

基本生成器示例:

def countdown(num):
    while num > 0:
        yield num
        num -= 1

for n in countdown(3):
    print(n)  # Outputs: 3, 2, 1

登录后复制

当调用yield时，函数返回当前值并暂停，等待next()恢复。

3.为什么生成器内存效率高

生成器即时计算值，这称为惰性求值。与将所有项目存储在内存中的列表不同，生成器仅根据需要生成项目，这非常适合：

流数据（例如，从大文件中读取行）。
处理大型或无限序列而不会造成内存过载。

示例：使用生成器读取大文件:

def read_large_file(file_path):
    with open(file_path) as file:
        for line in file:
            yield line  # Only processes one line at a time

登录后复制

这种方法可以防止将整个文件加载到内存中，这对于大量文件特别有用。

4.生成器表达式：紧凑语法

生成器表达式是创建生成器的一种简洁方式，使用括号而不是像列表推导式那样的方括号。

示例：

squares = (x * x for x in range(5))
print(next(squares))  # Outputs: 0
print(list(squares))  # Outputs remaining: [1, 4, 9, 16]

登录后复制

在这里，squares 仅在请求时计算值，从而节省内存。

5.高级生成器的产量来自

yield from 语句对于将一个生成器的部分操作委托给另一个生成器非常有用。当您想要将生成器分解为子生成器以实现模块化时，这非常有用。

示例：

def generator_a():
    yield 1
    yield 2

def generator_b():
    yield from generator_a()
    yield 3

for val in generator_b():
    print(val)  # Outputs: 1, 2, 3

登录后复制

简化代码的产量，特别是在复杂或嵌套的生成器链中。