关于Python中的range 对象是不是迭代器的探讨
迭代器(iterator)是惰性可迭代对象(lazy iterable),range 函数在 Python 3 中是一个惰性的可迭代对象,那么 range 是不是迭代器呢?为什么。
TLNR:Python 3 中的 range 对象(Python 2 中的 xrange 对象)是 lazy 的,但 range 对象却不是迭代器。
是的,这让人很困惑
当谈论 Python 中的迭代器(iterator)和可迭代对象(iterable)时,你很可能会听到有人重复 range 是迭代器的误解。我认为这是非常严重误解, 如果你认为 range 对象是迭代器,那么你关于「迭代器是如何运行」的心智模型还不够清楚。从某种意义上来说,range 和迭代器都是「惰性」的,但它们是以相当不同的方式实现「惰性」的。
什么是迭代器(iterator)
在 Python 中,可迭代对象就是你可以迭代的任何东西,而迭代器就是实际迭代的东西。
Iter-ables are able to be iterated over. Iter-ators are the agents that perform the iteration.
可以使用 iter 函数从任何可迭代对象中获取迭代器:
一旦有了迭代器,可以用它做的唯一的事情就是获得它的下一个元素:
如果没有更多的元素了, 则会抛出一个 stop iteration exception:
所有的迭代器都是可迭代对象,意思是你可以从一个迭代器中得到一个迭代器,因此你可以遍历一个迭代器:
应该指出的是迭代器是有状态的,在循环遍历一次迭代器后,如果尝试再次循环,它将为空:
在 Python 3 中,<span style="color: rgb(103, 103, 103);">enumerate、zip、reversed</span>
和其他一些内置函数会返回迭代器:
生成器(无论来自生成器函数还是生成器表达式)是一种创建迭代器的简单方法:
我经常说迭代器是惰性的一次性可迭代对象。 「惰性」是因为他们只循环计算项目,「单次使用是因为一旦从一个迭代器中「消费」了一个元素之后,这个元素就永远消失了。
什么是 range
Python 3 中的 range 对象(Python 2 中的 xrange)可以像任何其他可迭代对象一样循环使用:
因为 range 是可迭代对象,所以可以从中得到一个迭代器:
但 range 对象本身不是迭代器,我们不能在 range 对象上调用 next:
与迭代器不同的是,我们可以遍历一个 range 对象而不「消耗」它:
如果我们使用迭代器完成此操作,则第二次循环时不会得到任何元素:
宗上,与 <span style="color: rgb(103, 103, 103);">zip</span>
, <span style="color: rgb(103, 103, 103);">enumerate</span>
, or <span style="color: rgb(103, 103, 103);">generator</span>
对象不同,range 对象不是迭代器。
那么,究竟 range 是什么
range 对象在某种意义上是「惰性的」,因为它不会生成创建时包含的每个数字,相反,当我们在循环中需要的时候,它才将这些数字返回给我们。
下面是一个 range 对象和一个生成器(是一种迭代器):
不像生成器,range 对象有长度:
并且可以被索引:
与迭代器不同,你可以询问他们是否包含某元素而不改变他们的状态:
如果你想要一个 range 对象的描述,可以称它们为<span style="color: rgb(103, 103, 103);">懒序列</span>
,range 是序列(如列表,元组和字符串),但并不包含任何内存中的内容,而是通过计算来回答问题。
为什么这个区别很重要
如果我告诉你某个对象是一个迭代器,你会知道当在这个对象上调用 iter 函数时,总会得到相同的的对象(按照定义):
确信可以在这个对象上调用 next 函数,因为可以在所有的迭代器上调用 next 函数:
而且你会知道,当遍历它时,这些元素将从迭代器中被消耗掉,有时候这个特性可以派上用场(以特殊的方式处理迭代器):
所以虽然看起来「惰性可迭代对象」和「迭代器」之间的区别很微妙,但这些术语确实意味着不同的东西。 虽然「惰性可迭代对象」是一个没有具体含义的非常普遍的术语,但「迭代器」这个词意味着一个具有非常特定行为的对象。
总结
如果你知道你可以循环遍历某个对象,这是一个可迭代对象(iterable)。
如果你知道你正在循环遍历的对象是在循环的时候计算出来,那么这是一个惰性可迭代对象(lazy iterable)。
如果你知道你可以传递一些东西给 next 函数,它就是一个迭代器(这是最常见的惰性可迭代对象)。
如果你可以循环多次而不用「耗尽」它,它不是一个迭代器。如果你不能将某些东西传递给 next 函数,那么它不是一个迭代器。 Python 3 的 range 对象不是迭代器。 如果你正在指导别人关于 range 对象的知识,请不要使用「迭代器」一词,这会让人十分困惑,并可能导致他人开始滥用「迭代器」这个词
相关推荐:
以上是关于Python中的range 对象是不是迭代器的探讨的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

PHP和Python各有优劣,选择取决于项目需求和个人偏好。1.PHP适合快速开发和维护大型Web应用。2.Python在数据科学和机器学习领域占据主导地位。

在CentOS系统上高效训练PyTorch模型,需要分步骤进行,本文将提供详细指南。一、环境准备:Python及依赖项安装:CentOS系统通常预装Python,但版本可能较旧。建议使用yum或dnf安装Python3并升级pip:sudoyumupdatepython3(或sudodnfupdatepython3),pip3install--upgradepip。CUDA与cuDNN(GPU加速):如果使用NVIDIAGPU,需安装CUDATool

Python和JavaScript在社区、库和资源方面的对比各有优劣。1)Python社区友好,适合初学者,但前端开发资源不如JavaScript丰富。2)Python在数据科学和机器学习库方面强大,JavaScript则在前端开发库和框架上更胜一筹。3)两者的学习资源都丰富,但Python适合从官方文档开始,JavaScript则以MDNWebDocs为佳。选择应基于项目需求和个人兴趣。

在CentOS系统上启用PyTorchGPU加速,需要安装CUDA、cuDNN以及PyTorch的GPU版本。以下步骤将引导您完成这一过程:CUDA和cuDNN安装确定CUDA版本兼容性:使用nvidia-smi命令查看您的NVIDIA显卡支持的CUDA版本。例如,您的MX450显卡可能支持CUDA11.1或更高版本。下载并安装CUDAToolkit:访问NVIDIACUDAToolkit官网,根据您显卡支持的最高CUDA版本下载并安装相应的版本。安装cuDNN库:前

Docker利用Linux内核特性,提供高效、隔离的应用运行环境。其工作原理如下:1. 镜像作为只读模板,包含运行应用所需的一切;2. 联合文件系统(UnionFS)层叠多个文件系统,只存储差异部分,节省空间并加快速度;3. 守护进程管理镜像和容器,客户端用于交互;4. Namespaces和cgroups实现容器隔离和资源限制;5. 多种网络模式支持容器互联。理解这些核心概念,才能更好地利用Docker。

在CentOS下选择PyTorch版本时,需要考虑以下几个关键因素:1.CUDA版本兼容性GPU支持:如果你有NVIDIAGPU并且希望利用GPU加速,需要选择支持相应CUDA版本的PyTorch。可以通过运行nvidia-smi命令查看你的显卡支持的CUDA版本。CPU版本:如果没有GPU或不想使用GPU,可以选择CPU版本的PyTorch。2.Python版本PyTorch

MinIO对象存储:CentOS系统下的高性能部署MinIO是一款基于Go语言开发的高性能、分布式对象存储系统,与AmazonS3兼容。它支持多种客户端语言,包括Java、Python、JavaScript和Go。本文将简要介绍MinIO在CentOS系统上的安装和兼容性。CentOS版本兼容性MinIO已在多个CentOS版本上得到验证,包括但不限于:CentOS7.9:提供完整的安装指南,涵盖集群配置、环境准备、配置文件设置、磁盘分区以及MinI

在CentOS系统上进行PyTorch分布式训练,需要按照以下步骤操作:PyTorch安装:前提是CentOS系统已安装Python和pip。根据您的CUDA版本,从PyTorch官网获取合适的安装命令。对于仅需CPU的训练,可以使用以下命令:pipinstalltorchtorchvisiontorchaudio如需GPU支持,请确保已安装对应版本的CUDA和cuDNN,并使用相应的PyTorch版本进行安装。分布式环境配置:分布式训练通常需要多台机器或单机多GPU。所
