迭代是访问集合元素的一种方式。迭代器是一个可以记住遍历的位置的对象。迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。迭代器只能往前不会后退。
以直接作用于 for 循环的数据类型有以下几种：
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：
from collections import Iterable
isinstance([],Iterable)
# True
isinstance({},Iterable)
# True
isinstance(123,Iterable)
# False
isinstance((x for x in range(10)),Iterable)
# True
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：
from collections import Iterator
isinstance([],Iterator)
False
isinstance({},Iterator)
False
isinstance((x for x in range(10)),Iterator) #
True
生成器都是迭代器。
虽然list 、 tuple 、 dict 、 set 、 str 等是可迭代对象，但他们不是迭代器。可以通过iter()函数把可迭代对象编程迭代器。
isinstance(iter([]),Iterator)
# True
isinstance(iter({}),Iterator)
# True
isinstance(iter("asdf"),Iterator)
# True
我们可以通过列表生成式来创建一个列表，但是收到内存的限制，列表的容量肯定是有限的。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。
1|1修改列表推导式创建生成器的方法
最简单的方法是把列表生成式中的 [ ] 改成 ( ) 就好了。
a = [x for x in range(10)] print(a) # [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] b = (x for x in range(10)) print(b) # <generator object <genexpr> at 0x03387DB0>
如何遍历生成器
我们发现生成器不是能直接打印出来的，我们可以通过next()函数来获得生成器的下一个返回值。
生成器保存的是算法，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 的异常。
**使用next() 或者__next __():** print(next(b)) # 0 print(next(b)) # 1 print(next(b)) # 2 print(next(b)) # 3 print(next(b)) # 4 print(next(b)) # 5 print(b.__next__()) # 6 print(b.__next__()) # 7 print(b.__next__()) # 8 print(b.__next__()) # 9 print(b.__next__()) # Traceback (most recent call last): # File "<input>", line 2, in <module> # StopIteration
那么有什么简单的方法呢？因为生成器是可迭代对象，也可以使用for循环来遍历它，并且不需要关心 StopIteration 异常。
b = (x for x in range(10)) for x in b: print(x) # 0 # 1 # 2 # 3 #...
如果如果生成器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。把你要返回的值前面加yield 即可。
使用函数实现上面代码：
def fn(): for x in range(3): yield x # 遍历函数实现的生成器 f = fn() print(next(f)) # 0 print(next(f)) # 1 print(next(f)) # 2 print(next(f)) # Traceback (most recent call last): # File "<input>", line 1, in <module> # StopIteration
使用生成器实现斐波拉契数列：
def fib(count): n = 0 a,b = 0,1 while n < count: yield b a,b = b,a+b n += 1 return "done" f = fib(5) print(next(f)) # 1 print(next(f)) # 1 print(next(f)) # 2 print(next(f)) # 3 print(next(f)) # 5 print(next(f)) # Traceback (most recent call last): # File "<input>", line 1, in <module> # StopIteration: done
yield执行流程
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 x in fib(5): print(x) # 1 # 1 # 2 # 3 # 5
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：
f = fib(5)
while True:
try:
print(next(f))
except StopIteration as e:
print("生成器返回值:%s"%e.value)
break
# 1
# 1
# 2
# 3
# 5
# 生成器返回值:done
1|3send方法
def gen():
i = 0
while i<3:
temp = yield i
print(temp)
i+=1
g = gen()
print(g.__next__())
# 0
print(g.send(None))
# None
# 1
print(next(g))
# None
# 2
print(g.send("哈哈")
# 哈哈
# Traceback (most recent call last):
# File "<input>", line 1, in <module>
# StopIteration
上面代码可以看出next()、next ()、send(None)是等价的并没有什么区别。
在函数内部再定义一个函数，并且这个函数用到了外边函数的变量，那么将这个函数以及用到的一些变量称之为闭包
def test(number):
def test_in(number_in):
print("test_in函数 的number_in=%s"%number_in)
return number_in+number
# 返回test_in函数的引用
return test_in
ret = test(20)
print(ret(100)) # 相当于直接调用test_in函数，并给它传值100
# test_in函数 的number_in=100
# 120
print(ret(200))
# test_in函数 的number_in=200
# 220
在数学中，一次函数：y=kx+b，在一条确定的直线中，它的k、b是不变的。求y时，根据确定的k、b、x来求出。
def line_conf(k, b): def line(x): return k*x + b return line line1 = line_conf(1, 1) line2 = line_conf(4, 5) print(line1(5)) print(line2(5)) # 6 # 25
如果没有闭包，我们需要每次创建直线函数的时候同时说明a,b,x。这样，我们就需要更多的参数传递，也减少了代码的可移植性。
装饰器就是对一个函数进行装饰，给这个函数增加额外的功能。
def logging(func):
def wrap():
print("正在打印日志！")
func()
return wrap
@logging # 该装饰器为函数增加了打印日志的额外功能，并且之前函数内部代码不会改变。
def login():
print("张三正在登陆。")
login()
# 正在打印日志！
# 张三正在登陆。
4|2两个装饰器
def makeBold(fn1):
def wrapped():
print("----1----")
return "<b>"+fn1()+"</b>"
return wrapped
def makeItalic(fn2):
def wrapped():
print("----2----")
return "<i>"+fn2()+"</i>"
return wrapped
@makeBold
@makeItalic
def f1():
print("----3----")
return "hello world"
ret = f1() # 此时f1并不是f1函数，它是makeBold装饰器返回的wrapped函数的引用。
print(ret)
"""
输出结果：
----1----
----2----
----3----
<b><i>hello world</i></b>
"""
调用流程：
一般情况下装饰器内部函数的参数都是不定长参数，保证通用性，确保装饰任何函数时都不会出错。
def logging(func):
def wrap(*args,**kwargs):
print("正在打印日志！")
func(*args,**kwargs)
return wrap
@logging # 该装饰器为函数增加了打印日志的额外功能，并且之前函数内部代码不会改变。
def login(name,dic):
print("%s正在登陆。"%name)
print(dic)
login("李四",{"sex":"男"})
# 正在打印日志！
# 李四正在登陆。
# {'sex': '男'}
4|4类装饰器
class Test(object):
def __init__(self, func):
print("---初始化---")
print("func name is %s"%func.__name__)
self.__func = func
def __call__(self):
print("---装饰器中的功能---")
self.__func()
@Test
def test():
print("----test---")
test()
"""
输出结果：
---初始化---
func name is test
---装饰器中的功能---
----test---
"""
说明：
__init__方法中的func变量指向了test函数体。self.__func = func这句代码，从而在调用__call __方法中能够调用到test之前的函数体。总结
以上所述是小编给大家介绍的python中的生成器、迭代器、闭包、装饰器,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对亿速云网站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
