高级主题：迭代器与生成器¶

在Python编程中，迭代器（Iterator）和生成器（Generator）是处理序列数据的强大工具。它们允许你以高效的方式遍历数据集合，尤其是在处理大数据集时，能够节省内存并提高性能。本文将深入探讨迭代器和生成器的工作原理及其应用场景。

1. 迭代器（Iterator）¶

1.1 什么是迭代器？¶

迭代器是一个可以记住遍历位置的对象。它实现了两个方法：__iter__() 和 __next__()。__iter__() 返回迭代器对象本身，而 __next__() 返回序列中的下一个元素。当没有更多元素时，__next__() 会引发 StopIteration 异常。

1.2 迭代器的基本用法¶

# 创建一个简单的迭代器
class MyIterator:
    def __init__(self, start, end):
        self.current = start
        self.end = end

    def __iter__(self):
        return self

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

# 使用迭代器
my_iter = MyIterator(1, 5)
for num in my_iter:
    print(num)

解释： - MyIterator 类实现了 __iter__() 和 __next__() 方法。 - __iter__() 返回迭代器对象本身。 - __next__() 返回下一个元素，直到达到 end，然后引发 StopIteration 异常。

1.3 使用内置迭代器¶

Python 提供了许多内置的迭代器，例如 range()、list、tuple 等。

# 使用内置迭代器
my_list = [1, 2, 3, 4, 5]
my_iter = iter(my_list)

print(next(my_iter))  # 输出: 1
print(next(my_iter))  # 输出: 2
print(next(my_iter))  # 输出: 3

解释： - iter() 函数将列表转换为迭代器。 - next() 函数用于获取迭代器的下一个元素。

2. 生成器（Generator）¶

2.1 什么是生成器？¶

生成器是一种特殊的迭代器，它使用 yield 关键字来返回值。生成器函数在每次调用 yield 时暂停执行，并在下次调用时从暂停的地方继续执行。

2.2 生成器的基本用法¶

# 创建一个简单的生成器
def my_generator(start, end):
    current = start
    while current < end:
        yield current
        current += 1

# 使用生成器
gen = my_generator(1, 5)
for num in gen:
    print(num)

解释： - my_generator 函数使用 yield 关键字来生成值。 - 每次调用 yield 时，函数暂停并返回当前值，下次调用时从暂停的地方继续执行。

2.3 生成器表达式¶

生成器表达式类似于列表推导式，但使用圆括号而不是方括号。生成器表达式返回一个生成器对象，而不是一个列表。

# 使用生成器表达式
gen_exp = (x * x for x in range(5))

for num in gen_exp:
    print(num)

解释： - 生成器表达式 (x * x for x in range(5)) 生成一个生成器对象。 - 生成器表达式在每次迭代时生成一个值，而不是一次性生成所有值。

3. 应用场景¶

3.1 处理大数据集¶

生成器非常适合处理大数据集，因为它们只在需要时生成数据，而不是一次性加载所有数据到内存中。

# 读取大文件
def read_large_file(file_path):
    with open(file_path, 'r') as file:
        for line in file:
            yield line

# 使用生成器读取大文件
for line in read_large_file('large_file.txt'):
    print(line)

解释： - read_large_file 函数逐行读取文件内容，并使用 yield 返回每一行。 - 这种方式可以避免一次性加载整个文件到内存中。

3.2 无限序列¶

生成器可以用于生成无限序列，例如斐波那契数列。

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

# 使用生成器生成斐波那契数列
fib_gen = fibonacci()
for _ in range(10):
    print(next(fib_gen))

解释： - fibonacci 函数生成一个无限序列的斐波那契数列。 - 使用 next() 函数可以获取下一个斐波那契数。

4. 练习题¶

4.1 简单练习¶

编写一个生成器函数 countdown(n)，它从 n 倒数到 0。

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

# 使用生成器
for num in countdown(5):
    print(num)

4.2 中等练习¶

编写一个生成器函数 even_numbers(n)，它生成从 0 到 n 的所有偶数。

def even_numbers(n):
    for i in range(n + 1):
        if i % 2 == 0:
            yield i

# 使用生成器
for num in even_numbers(10):
    print(num)

4.3 复杂练习¶

编写一个生成器函数 prime_numbers()，它生成所有质数。

def prime_numbers():
    num = 2
    while True:
        if all(num % i != 0 for i in range(2, int(num ** 0.5) + 1)):
            yield num
        num += 1

# 使用生成器
prime_gen = prime_numbers()
for _ in range(10):
    print(next(prime_gen))

5. 总结¶

迭代器 是一个实现了 __iter__() 和 __next__() 方法的对象，用于遍历序列。
生成器 是一种特殊的迭代器，使用 yield 关键字来返回值，适合处理大数据集和无限序列。
生成器表达式类似于列表推导式，但返回一个生成器对象。
迭代器和生成器在处理大数据集和无限序列时非常有用，能够节省内存并提高性能。

通过掌握迭代器和生成器，你将能够编写更高效、更灵活的Python代码。