20

本文详细介绍了Python中的迭代器协议,包括next方法的作用及其实现方式。讲解了如何通过__iter__方法使自定义类成为可迭代对象,并演示了斐波那契数列生成器的实现,展示了迭代器在节省内存空间方面的优势。

20.迭代器

迭代器协议:对象必须提供一个next方法,执行该方法要么返回迭代中的下一项,要么引起StopIteration异常,以终止迭代(只能往下走,不可以回退)

现在,我们就可以说,实现了迭代器协议的对象就是可迭代对象。

如何实现?

  • 通过在对象内部定义一个__iter__方法。
li=[1,2,3]
print(li.__iter__())

sr='abcd'
print(sr.__iter__())

li_iter=li.__iter__()   #<--->iter(li)
print(li_iter.__next__())1  #节省内存
print(li_iter.__next__())2  #<--->next(li_iter)
print(li_iter.__next__())3
# print(li_iter.__next__())  #只有三个元素,取多了出现错误
# print(next(li_iter))

sr_iter=iter(sr)  #<--->sr.__iter__
print(sr_iter.__next__())a
print(sr_iter.__next__())b
print(sr_iter.__next__())c
print(sr_iter.__next__())d

可迭代对象测试

from collections import Iterable
print(isinstance([],Iterable))   #True
print(isinstance(str(),Iterable)) #True
print(isinstance(123,Iterable))  #False
print(isinstance(True,Iterable))  #False

自定义一个类,其可以容纳数据,测试该类的可迭代性

from collections import Iterable

class MyClass:

    def __init__(self):
        self.names=[]

    def add(self,name):
        self.names.append(name)

my_class=MyClass()
my_class.add('森茂')
my_class.add('子良')
my_class.add('QQ')

print('是否为可迭代对象:',isinstance(my_class,Iterable))  #False

from collections import Iterable

class MyClass:

    def __init__(self):
        self.names=[]

    def add(self,name):
        self.names.append(name)
        
#在上面基础上加入这两行
    def __iter__(self):         
        return self.names.__iter__()

my_class=MyClass()
my_class.add('森茂')
my_class.add('子良')
my_class.add('QQ')

print('是否为可迭代对象:',isinstance(my_class,Iterable))  #True

回顾之前说的__iter__方法,其可以为我们提供一个迭代器。

在迭代一个可迭代对象的时候,实际上就是获取改对象提供的一个迭代器。然后通过改该迭代器依次获取对象的每一个数据。

for item in 可迭代对象 循环的本质

就是通过iter()函数获取可迭代对象的Iterable的迭代器,然后对获取到的迭代器不断调用next()方法来获取下一个值并将其赋值item,当遇到StopIteration的异常后,退出。

应用场景

迭代器的核心就是通过next()函数调用返回下一个数据值。如果每次返回的数据值不是在一个已有的数据集合中读取的,而是通过程序按照一定规律计算生成。那么也就意味着可以不用依赖一个已有的数据集合,namely,

无需将所有的迭代对象数据一次性缓存下来供后续使用。这样,可以节省大量的储存(内存)空间。

demo:

斐波那契数列

现在我们希望通过for…in…的方式来遍历斐波那契数列中的前N个数

class FibIterator(object):
    '''斐波那契数列生成迭代器'''
    def __init__(self,n):
        #记录生成的斐波那契数列的个数
        self.n=n
        #记录当前的索引值
        self.current_index=0
        #记录两个初始值
        self.num1=0
        self.num2=1

    def __next__(self):
        '''调用next()函数来获取下一个数'''
        if self.current_index<self.n:
            num = self.num1
            self.num1,self.num2=self.num2,self.num1+self.num2
            self.current_index+=1
            return num
        else:
            raise StopIteration

    def __iter__(self):
        return self

fib=FibIterator(10)

for num in fib:
    print(num,end=' ')
class test:
    def __init__(self,data=1):
        self.data=data

    def __iter__(self):
        return self

    def __next__(self):
        if self.data>5:
            raise StopIteration
        else:
            self.data+=1
            return self.data

for i in test(0):
    print(i,end=' ')
内容概要:本文围绕六自由度机械臂的人工神经网络(ANN)设计展开,重点研究了正向与逆向运动学求解、正向动力学控制以及基于拉格朗日-欧拉法推导逆向动力学方程,并通过Matlab代码实现相关算法。文章结合理论推导与仿真实践,利用人工神经网络对复杂的非线性关系进行建模与逼近,提升机械臂运动控制的精度与效率。同时涵盖了路径规划中的RRT算法与B样条优化方法,形成从运动学到动力学再到轨迹优化的完整技术链条。; 适合人群:具备一定机器人学、自动控制理论基础,熟悉Matlab编程,从事智能控制、机器人控制、运动学六自由度机械臂ANN人工神经网络设计:正向逆向运动学求解、正向动力学控制、拉格朗日-欧拉法推导逆向动力学方程(Matlab代码实现)建模等相关方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握机械臂正/逆运动学的数学建模与ANN求解方法;②理解拉格朗日-欧拉法在动力学建模中的应用;③实现基于神经网络的动力学补偿与高精度轨迹跟踪控制;④结合RRT与B样条完成平滑路径规划与优化。; 阅读建议:建议读者结合Matlab代码动手实践,先从运动学建模入手,逐步深入动力学分析与神经网络训练,注重理论推导与仿真实验的结合,以充分理解机械臂控制系统的设计流程与优化策略。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值