Python 生成器和迭代器高级应用指南

Unity中URP下的菲涅尔效果实现(个性化修改) 在上篇文章中,我们实现了 URP 下的菲涅尔基础效果,我们在这篇文章中,对其进行自定义化修改。 阅读详情

Python 生成器和迭代器高级应用指南

1. 迭代器基础

迭代器是 Python 中一种特殊的对象,它允许我们遍历容器中的元素。

# 迭代器协议
class Countdown:
    def __init__(self, start):
        self.start = start
    
    def __iter__(self):
        return self
    
    def __next__(self):
        if self.start <= 0:
            raise StopIteration
        self.start -= 1
        return self.start + 1

# 使用迭代器
for i in Countdown(5):
    print(i)
# 输出: 5 4 3 2 1

2. 生成器基础

生成器是一种特殊的迭代器,它使用 yield 语句来生成值。

# 生成器函数
def countdown(start):
    while start > 0:
        yield start
        start -= 1

# 使用生成器
for i in countdown(5):
    print(i)
# 输出: 5 4 3 2 1

3. 高级迭代器技巧

3.1 自定义迭代器

class Fibonacci:
    def __init__(self, n):
        self.n = n
        self.a, self.b = 0, 1
        self.count = 0
    
    def __iter__(self):
        return self
    
    def __next__(self):
        if self.count >= self.n:
            raise StopIteration
        self.count += 1
        value = self.a
        self.a, self.b = self.b, self.a + self.b
        return value

# 使用自定义迭代器
for i in Fibonacci(10):
    print(i, end=" ")
# 输出: 0 1 1 2 3 5 8 13 21 34

3.2 迭代器工具

Python 提供了一些内置的迭代器工具,如 itertools 模块。

import itertools

# 无限迭代器
counter = itertools.count(1)
for i in range(5):
    print(next(counter))
# 输出: 1 2 3 4 5

# 循环迭代器
cycle = itertools.cycle(['A', 'B', 'C'])
for i in range(5):
    print(next(cycle))
# 输出: A B C A B

# 重复迭代器
repeat = itertools.repeat('Hello', 3)
for item in repeat:
    print(item)
# 输出: Hello Hello Hello

3.3 生成器表达式

生成器表达式是一种简洁的生成器创建方式,类似于列表推导式。

# 生成器表达式
gen = (x ** 2 for x in range(10))
for item in gen:
    print(item)
# 输出: 0 1 4 9 16 25 36 49 64 81

# 与列表推导式的比较
list_comp = [x ** 2 for x in range(10)]  # 立即创建列表
gen_exp = (x ** 2 for x in range(10))    # 按需生成值

4. 高级生成器技巧

4.1 生成器流水线

生成器可以连接成流水线,处理数据。

def read_file(filename):
    with open(filename, 'r') as f:
        for line in f:
            yield line.strip()

def filter_lines(lines, keyword):
    for line in lines:
        if keyword in line:
            yield line

def process_lines(lines):
    for line in lines:
        yield line.upper()

# 流水线处理
lines = read_file('data.txt')
filtered = filter_lines(lines, 'Python')
processed = process_lines(filtered)

for line in processed:
    print(line)

4.2 协程

生成器可以用作协程,接收发送的值。

def echo():
    while True:
        received = yield
        print(f"Received: {received}")

# 使用协程
coro = echo()
next(coro)  # 启动协程
coro.send("Hello")
coro.send("World")
# 输出:
# Received: Hello
# Received: World

4.3 生成器状态管理

生成器可以保持状态,用于复杂的计算。

def accumulator():
    total = 0
    while True:
        value = yield total
        if value is None:
            break
        total += value

# 使用带状态的生成器
acc = accumulator()
next(acc)  # 启动生成器
print(acc.send(1))  # 输出: 1
print(acc.send(2))  # 输出: 3
print(acc.send(3))  # 输出: 6

5. 实际应用场景

5.1 处理大文件

生成器可以用于处理大文件,避免一次性加载全部内容到内存。

def read_large_file(filename, chunk_size=1024):
    with open(filename, 'r') as f:
        while True:
            chunk = f.read(chunk_size)
            if not chunk:
                break
            yield chunk

# 处理大文件
for chunk in read_large_file('large_file.txt'):
    # 处理 chunk
    print(len(chunk), end=" ")

5.2 数据转换

生成器可以用于数据转换,按需处理数据。

def transform_data(data):
    for item in data:
        # 转换逻辑
        transformed = item * 2
        yield transformed

# 转换数据
data = [1, 2, 3, 4, 5]
transformed = transform_data(data)
for item in transformed:
    print(item)
# 输出: 2 4 6 8 10

5.3 无限序列

生成器可以用于生成无限序列。

def infinite_sequence():
    num = 0
    while True:
        yield num
        num += 1

# 使用无限序列
seq = infinite_sequence()
for i in range(5):
    print(next(seq))
# 输出: 0 1 2 3 4

5.4 并行处理

生成器可以与 concurrent.futures 结合,实现并行处理。

import concurrent.futures

def process_item(item):
    # 处理逻辑
    return item * 2

def process_items(items):
    with concurrent.futures.ThreadPoolExecutor() as executor:
        yield from executor.map(process_item, items)

# 并行处理
items = [1, 2, 3, 4, 5]
for result in process_items(items):
    print(result)
# 输出: 2 4 6 8 10

6. 最佳实践

  1. 使用生成器处理大文件:对于大文件,使用生成器可以避免内存溢出。
  2. 使用生成器表达式:对于简单的生成器,使用生成器表达式可以使代码更简洁。
  3. 使用 itertools 模块:对于常见的迭代器操作,使用 itertools 模块可以提高代码的可读性和性能。
  4. 使用生成器流水线:对于复杂的数据处理,使用生成器流水线可以使代码更模块化。
  5. 注意生成器的状态:生成器是有状态的,一旦遍历完成,就不能再次使用。
  6. 测试生成器:确保生成器在各种情况下都能正常工作。
  7. 文档化生成器:为生成器添加文档字符串,说明其功能和用法。

7. 总结

生成器和迭代器是 Python 中强大的特性,它们允许我们以一种高效、内存友好的方式处理数据。通过掌握生成器和迭代器的高级应用,我们可以编写更加高效、可维护的代码。

在实际应用中,生成器和迭代器可以用于处理大文件、数据转换、无限序列、并行处理等多种场景,大大提高代码的效率和可维护性。

希望本文对你理解和应用 Python 生成器和迭代器有所帮助!

我的二进制漏洞挖掘学习路线 漏洞挖掘也分好多方向:浏览器漏挖,虚拟化,iot,车联网,应用安全等。而且也要区分一下平台,Linux,Android,Windows,还有一些其他的系统。在基础知识拿捏以后,Windows下如OD,windbg,x64dbg。IDA,GDB要会并联调。然后需要了解一下漏洞的知识,漏洞利用的知识。可以从复现漏洞,CTF来学习,学习完之后就可以通过审计源码或者反汇编二进制程序来挖掘。然后就是练就行了,多关注一下最新安全消息,安全漏洞。 阅读详情

相关推荐

网络系统实现技术之IPX与SPX

IPX/SPXNovell NetWare网络Novell公司为适应网络发展,将主机网络转换为PC网络,开发了Novell NetWare网络系统。该系统中基于客户机/服务器模式。以普通PC机做为客户机,以性能强大的服务器做为服务器,为客户机提供文件服务、数据库服务及其他服务。与前面的SNA模型一样,Novell NetWare也早于OSI模型,所以不能与OSI模型严格对应,但也有很明

成片的大树 9164

python迭代器和生成器

帮助大家深入了解迭代器与生成器

qq_52758588的博客 1万+

Windows 11 下 WSL 离线安装 Ubuntu 22.04 保姆级教程(国内镜像加速版)

本文提供了一份针对中国地区用户的Windows 11下WSL离线安装Ubuntu 22.04的详细教程。通过使用国内镜像源加速下载安装包,并配合PowerShell命令完成部署,有效解决了官方商店下载缓慢的问题。教程涵盖环境准备、离线包获取、安装初始化及安装后的关键优化配置,帮助用户快速搭建高效的Linux开发环境。

weixin_28452161的博客 1381

Python 迭代器和生成器:深入理解与应用

数据,避免一次性生成大量数据占用过多内存。理解和掌握迭代器与生成器对于编写高效、简洁且易于维护的 Python 代码至关重要。可以用来创建生成器对象,它能够在需要时生成数据,而不是一次性生成所有数据并存储在内存中。,它使用更简洁的语法来创建迭代器。生成器函数(使用yield。提供了高效、灵活且优雅的方式。的访问方式,而无需暴露容器的内部结构。是两个非常重要的概念,它们为处理。任何包含这两个方法的对象都可以。(如列表、元组、字典等)时提供。容器中的元素,而生成器则可以。在 Python 编程中,

2301_81718046的博客 2582

二元交叉熵:分类模型概率校准的数学根基

二元交叉熵(BCE)是二分类任务中实现概率校准的核心损失函数,其本质源于最大似然估计与KL散度,确保模型输出具备真实可解释的概率意义。相比均方误差(MSE)或Hinge Loss,BCE强制优化预测分布与真实伯努利分布之间的信息差异,使p=0.8真正对应约80%的正例发生率,支撑风控、医疗、推荐等高信度场景的阈值决策。它不只影响训练收敛,更决定部署后概率的业务可信度——这正是Focal Loss等变体无法替代其基础地位的根本原因。理解BCE,就是理解分类模型如何从‘打分器’进化为‘概率契约签署者’。

congli3478的博客 1336

立创开源PEX88048 8盘位M.2扩展卡硬件设计与PCIE4.0交换机应用解析

本文详细解析了基于Broadcom PEX88048 PCIe 4.0交换芯片的8盘位M.2扩展卡硬件设计。文章深入探讨了核心芯片选型、关键供电与安全设计、引脚配置、固件刷写方法,并重点剖析了PCIe 4.0时钟架构与高速PCB布局的核心思想,旨在帮助开发者理解如何设计高性能、高可靠性的存储扩展方案,并有效控制成本。

weixin_28949937的博客 624

python生成器和迭代器区别

一、生成器 1.1 什么是生成器 generator:一边生成一边计算后面元素的机制,称为生成器,生成器里面保存的是算法,只有需要用到才会计算后面的值 1.2 通过列表生成式创建生成器 我们可以将列表生成式的中括号改成小括号就创建了一个生成器 list = [i for i in range(10)] print(type(list)) # <class 'list'> ...

李俊的博客 3789

【WorkBuddy专栏27】WorkBuddy 和 CodeBuddy 到底什么关系——一篇文章终结所有混淆

WorkBuddy 和 CodeBuddy 到底什么关系——一篇文章终结所有混淆

AI人人懂 2811

Python 生成器和迭代器详解

迭代器 在python中列表(list)、元组(tuple)、字典(dict)、集合(set)这些数据容器都有一个共同的特性,它们都支持使用for循环遍历容器中存储的元素,都是可迭代的也成为迭代器。 迭代时访问集合元素的一种非常强大的方式。迭代器可以记住遍历位置,不会对例如列表这样的数据容器一次性全部生成,而是等到用的时候才会去生成。我们也可以创建一个可迭代的对象:只要此对象含有__iter__方法,那么它就是一个可迭代的对象 如果要自定义实现一个迭代器,则类中必须实现以下两个方法: __next(sel

weixin_47906106的博客 2880

使用R语言中的NbClust包确定最佳聚类簇数

聚类分析是一种常用的数据分析技术,它将相似的数据点分组成不同的簇。NbClust包是R语言中一个强大的工具,它提供了多种方法来帮助我们确定最佳的聚类簇数。综上所述,使用R语言中的NbClust包可以帮助我们确定最佳的聚类簇数。通过选择适当的聚类算法和评估指标,我们可以更好地理解数据集的结构和模式,并根据需要进行进一步的分析和解释。此外,NbClust包还提供了其他函数和参数,用于执行不同的聚类算法、选择不同的评估指标等。安装完毕后,我们需要加载NbClust包,以便使用其中的函数。函数来确定最佳聚类簇数。

2301_79326559的博客 2281

【定制功能】LVGL 页面管理

页面管理的主要针对实际复杂的UI项目的。支持多页面管理,包含页面跳转和返回(主要是方便项目功能管理)支持后台页面自动销毁、前台页面自动创建(主要是节约资源使用)支持语言切换逻辑(页面重建功能)支持主题切换逻辑支持页面切换动画效果首先,页面管理是针对act_src图层来讲的。仅在screens数组中供act_src切换的对象树才会被此页面管理功能所管理。这意味着,如果top_layer或者sys_layer图层上,有页面需要重建时,需要特殊处理(实际项目中top_layer或者。

Bigan(安)的博客 5754

Python 迭代器和生成器

Python 迭代器和生成器

tangsiqi130的博客 1271

2024-江苏科技大学-模拟-动态接触角,模拟液滴撞击,comsol软件模拟。

相反,其对液滴粘度和平衡接触角的变化基本不敏感。重力势能的影响显著受过程参数调节,随着液滴直径和密度的增加而增加,而随着初始液滴速度和表面张力系数的增加而减小。通过考虑形状因子和粘度修正因子,可以准确定义表面能和粘性耗散能,使得所提出的半经验修正勺状模型表现出良好的性能,在所有65个研究案例中,液滴最大铺展长度因子(βmax)和中心厚度(h)的相对误差基本分别落在5%和10%的区间内。重力势能的影响受过程参数显著调节,随液滴直径和密度的增大而增大,随液滴初始速度和表面张力系数的增大而减小。

qq_15963745的博客 513

Python中生成器和迭代器的区别

Python中生成器和迭代器的区别:

IT晓可程序员之路 4万+

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Python 迭代器和生成器的妙用

👉Python学习路线汇总👈Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。(学习教程文末领取哈)👉Python必备开发工具👈。

2301_82000445的博客 916

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

Python高级语法(迭代器&生成器)

在Python中,生成器(Generator)是一种特殊的迭代器,它使用yield关键字来返回值,而不是return。生成器函数在调用时不会立即执行,而是返回一个生成器对象,该对象在迭代过程中按需生成值。惰性计算:生成器中的值是在迭代过程中按需生成的,只有在请求下一个值时才会计算,这使得生成器在处理大数据集时非常高效。状态保存:生成器在每次yield后会保存其内部状态,下次调用next()时从上次的状态继续执行。内存效率:生成器不需要将所有值存储在内存中,因此在处理大数据集时可以节省内存。

2302_77326347的博客 1034

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

python高级——迭代器、生成器

1.迭代器 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 2.iter()函数与next()函数 list、tuple等都是可迭代对象,我们可以通过iter()函数获取这些可迭代对象的迭代器。然后我们可以对获取到的迭代器不断使用next()函数来获取下一条数据。iter()函数实际上就是调用了可迭代对象的__iter__方法。 ...

GC 4713

python高阶应用——迭代器和生成器

在 Python 中,迭代器(Iterators)和生成器(Generators)是两个紧密相关的概念,它们都用于迭代一系列的值。不过,它们之间有一些关键的区别。

qq_45075570的博客 733

理解 Python 中的迭代器和生成器

_iter__():返回迭代器对象本身。__next__():返回序列中的下一个值。如果没有更多的值可返回,则应该引发异常。下面是一个自定义迭代器的示例,它生成一个给定范围内的整数。else:# 使用自定义迭代器print(num)生成器是一个特殊类型的迭代器,使用yield关键字来返回值。生成器函数在执行时会暂停,并在后续调用时继续执行。生成器可以用更简洁的方式创建迭代器。迭代器和生成器是 Python 中非常强大的工具,它们允许您以高效且优雅的方式处理可迭代对象。

AI 音频小牛的博客 656

【python】生成器和迭代器详解

生成器和迭代器详解,python生成器和迭代器详解

唐古的博客 802

Python中的【迭代器】和【生成器】

Python中的迭代器和生成器

Matthew575的博客 794
上一篇: Python 装饰器高级应用指南
下一篇: Python 类型提示高级应用指南
第一程序员
博客等级 码龄1年 1万+粉丝 1822原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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