專欄導讀

• 🌸 歡迎來到Python辦公自動化專欄—Python處理辦公問題，解放您的雙手

• 🏳??🌈 博客主頁：請點擊——> 一晌小貪歡的博客主頁求關注

• 👍 該系列文章專欄：請點擊——>Python辦公自動化專欄求訂閱

• 🕷 此外還有爬蟲專欄：請點擊——>Python爬蟲基礎專欄求訂閱

• 📕 此外還有python基礎專欄：請點擊——>Python基礎學習專欄求訂閱

• 文章作者技術和水平有限，如果文中出現錯誤，希望大家能指正🙏

• ?? 歡迎各位佬關注！ ??

前言

在Python編程中，迭代器（Iterator）和生成器（Generator）是兩個非常重要且強大的概念。它們不僅能讓我們的代碼更加優雅和高效，還能幫助我們處理大量數據時節省內存。本文將深入探討這兩個概念，并通過豐富的示例來幫助大家理解和掌握它們。

什么是迭代器（Iterator）？

迭代器的定義

迭代器是一個可以記住遍歷位置的對象。迭代器對象從集合的第一個元素開始訪問，直到所有的元素被訪問完結束。迭代器只能往前不會后退。

迭代器協議

在Python中，迭代器需要實現兩個方法：

• __iter__()：返回迭代器對象本身
• __next__()：返回下一個值，如果沒有更多元素則拋出StopIteration異常

可迭代對象 vs 迭代器

# 可迭代對象（Iterable）
my_list = [1, 2, 3, 4, 5]
my_string = "hello"
my_dict = {'a': 1, 'b': 2}# 檢查是否為可迭代對象
from collections.abc import Iterable
print(isinstance(my_list, Iterable))  # True
print(isinstance(my_string, Iterable))  # True
print(isinstance(my_dict, Iterable))  # True# 獲取迭代器
list_iterator = iter(my_list)
print(type(list_iterator))  # <class 'list_iterator'># 使用迭代器
print(next(list_iterator))  # 1
print(next(list_iterator))  # 2
print(next(list_iterator))  # 3

自定義迭代器

class NumberIterator:def __init__(self, start, end):self.start = startself.end = endself.current = startdef __iter__(self):return selfdef __next__(self):if self.current < self.end:result = self.currentself.current += 1return resultelse:raise StopIteration# 使用自定義迭代器
numbers = NumberIterator(1, 5)
for num in numbers:print(num)  # 輸出: 1, 2, 3, 4

迭代器的優勢

1. **內存效率**：迭代器是惰性求值的，只在需要時才計算下一個值

2. **節省空間**：不需要將所有元素同時存儲在內存中

3. **適合處理大數據集**：可以處理無限序列或非常大的數據集

什么是生成器（Generator）？

生成器的定義

生成器是一種特殊的迭代器，它使用`yield`關鍵字來產生值。生成器函數在調用時不會立即執行，而是返回一個生成器對象。

生成器函數

def simple_generator():yield 1yield 2yield 3# 創建生成器對象
gen = simple_generator()
print(type(gen))  # <class 'generator'># 使用生成器
print(next(gen))  # 1
print(next(gen))  # 2
print(next(gen))  # 3
# print(next(gen))  # 會拋出 StopIteration 異常

生成器表達式

# 列表推導式
squares_list = [x**2 for x in range(10)]
print(type(squares_list))  # <class 'list'># 生成器表達式
squares_gen = (x**2 for x in range(10))
print(type(squares_gen))  # <class 'generator'># 比較內存使用
import sys
print(f"列表大小: {sys.getsizeof(squares_list)} bytes")
print(f"生成器大小: {sys.getsizeof(squares_gen)} bytes")

復雜的生成器示例

def fibonacci_generator(n):"""生成斐波那契數列的前n項"""a, b = 0, 1count = 0while count < n:yield aa, b = b, a + bcount += 1# 使用斐波那契生成器
fib_gen = fibonacci_generator(10)
for num in fib_gen:print(num, end=" ")  # 輸出: 0 1 1 2 3 5 8 13 21 34
print()

生成器的狀態保持

def counter_generator():count = 0while True:value = yield countif value is not None:count = valueelse:count += 1# 使用帶狀態的生成器
counter = counter_generator()
print(next(counter))  # 0
print(next(counter))  # 1
print(counter.send(10))  # 10
print(next(counter))  # 11

迭代器 vs 生成器對比

特性	迭代器	生成器
定義方式	實現__iter__和__next__方法	使用yield關鍵字或生成器表達式
代碼復雜度	相對復雜	簡潔優雅
內存使用	惰性求值	惰性求值
狀態管理	手動管理	自動管理
是否為迭代器	是	是（特殊的迭代器）

實際應用場景

1. 讀取大文件

def read_large_file(file_path):"""逐行讀取大文件，節省內存"""with open(file_path, 'r', encoding='utf-8') as file:for line in file:yield line.strip()# 使用示例
# for line in read_large_file('large_file.txt'):
#     process_line(line)

2. 數據流處理

def data_processor(data_source):"""處理數據流"""for item in data_source:# 進行數據清洗和轉換processed_item = item.upper().strip()if processed_item:  # 過濾空值yield processed_item# 鏈式處理
raw_data = ['  hello  ', '  world  ', '', '  python  ']
processed_data = data_processor(raw_data)
for item in processed_data:print(f"處理后: {item}")

3. 無限序列

def infinite_sequence():"""生成無限序列"""num = 0while True:yield numnum += 1# 使用無限序列（注意要有退出條件）
inf_gen = infinite_sequence()
for i, num in enumerate(inf_gen):if i >= 10:  # 只取前10個breakprint(num, end=" ")  # 輸出: 0 1 2 3 4 5 6 7 8 9
print()

高級特性

1. 生成器的方法

def advanced_generator():try:value = yield "開始"while True:if value == "stop":return "生成器結束"value = yield f"接收到: {value}"except GeneratorExit:print("生成器被關閉")finally:print("清理資源")# 使用生成器方法
gen = advanced_generator()
print(next(gen))  # 開始
print(gen.send("hello"))  # 接收到: hello
print(gen.send("world"))  # 接收到: world
try:print(gen.send("stop"))  # 拋出 StopIteration，值為 "生成器結束"
except StopIteration as e:print(f"返回值: {e.value}")

2. 異常處理

def error_handling_generator():try:yield 1yield 2yield 3except ValueError as e:yield f"捕獲到錯誤: {e}"yield "繼續執行"gen = error_handling_generator()
print(next(gen))  # 1
print(gen.throw(ValueError, "測試錯誤"))  # 捕獲到錯誤: 測試錯誤
print(next(gen))  # 繼續執行

性能比較

import time
import sysdef performance_comparison():# 列表方式start_time = time.time()squares_list = [x**2 for x in range(1000000)]list_time = time.time() - start_timelist_memory = sys.getsizeof(squares_list)# 生成器方式start_time = time.time()squares_gen = (x**2 for x in range(1000000))gen_time = time.time() - start_timegen_memory = sys.getsizeof(squares_gen)print(f"列表創建時間: {list_time:.6f}秒")print(f"生成器創建時間: {gen_time:.6f}秒")print(f"列表內存使用: {list_memory:,} bytes")print(f"生成器內存使用: {gen_memory:,} bytes")print(f"內存節省比例: {(list_memory - gen_memory) / list_memory * 100:.2f}%")performance_comparison()

最佳實踐

1. 何時使用迭代器

• 需要自定義復雜的迭代邏輯

• 需要實現特殊的迭代行為

• 構建可重用的迭代器類

2. 何時使用生成器

• 處理大量數據時節省內存

• 創建數據流水線

• 實現惰性求值

• 生成無限序列

3. 注意事項

# 生成器只能迭代一次
gen = (x for x in range(3))
print(list(gen))  # [0, 1, 2]
print(list(gen))  # [] 空列表，生成器已耗盡# 如果需要多次迭代，重新創建生成器
def create_generator():return (x for x in range(3))gen1 = create_generator()
gen2 = create_generator()
print(list(gen1))  # [0, 1, 2]
print(list(gen2))  # [0, 1, 2]

總結

迭代器和生成器是Python中強大的工具，它們提供了優雅且內存高效的方式來處理數據序列。主要要點包括：

• 1. **迭代器**是實現了迭代器協議的對象，可以逐個訪問元素

• 2. **生成器**是特殊的迭代器，使用`yield`關鍵字，代碼更簡潔

• 3. 兩者都支持**惰性求值**，節省內存空間

• 4. 適用于處理**大數據集**和**無限序列**

• 5. 生成器提供了`send()`、`throw()`、`close()`等高級方法

掌握迭代器和生成器的使用，將讓你的Python代碼更加高效和優雅。在處理大量數據或需要節省內存的場景中，它們是不可或缺的工具。

---

結尾

• 希望對初學者有幫助；致力于辦公自動化的小小程序員一枚

• 希望能得到大家的【??一個免費關注??】感謝！

• 求個 🤞 關注 🤞 +?? 喜歡 ?? +👍 收藏 👍

• 此外還有辦公自動化專欄，歡迎大家訂閱：Python辦公自動化專欄

• 此外還有爬蟲專欄，歡迎大家訂閱：Python爬蟲基礎專欄

• 此外還有Python基礎專欄，歡迎大家訂閱：Python基礎學習專欄