Question

1.可迭代对象：在逻辑上它保存了一个序列，在迭代环境中依次返回序列中的一个元素值。

可迭代对象不一定是序列，但是序列一定是可迭代对象

2.迭代协议：.__next__()方法。

• 任何对象只要实现了迭代协议，则它就是一个迭代器对象
• 迭代器对象调用.__next__()方法，会得到下一个迭代结果
• 在一系列迭代之后到达迭代器尾部，若再次调用.__next__()方法，则会触发StopIteration异常
• 迭代器在Python中是用C语言的速度运行的，因此速度最快
  

3.Python3提供了一个内置的next()函数，它自动调用迭代器的.__next__()方法。即给定一个迭代器对象x，next(x)等同于x.__next__()

4.内置的iter()函数用于从序列、字典、set以及其他可迭代对象中获取迭代器。

• 对任何迭代器对象iterator，调用iter(iterator)返回它本身
• 迭代器对象实现了迭代协议
• 文件对象本身是一个迭代器对象。即文件对象实现了迭代协议，因此打开多个文件会返回同一个文件对象

• 列表、元组、字典、set、字符串等不适迭代器对象，他们没有实现迭代协议。因此每次调用iter()均返回一个新迭代器对象。他们支持安装多个迭代器，每个迭代器状态不同

  • 在原地修改列表、set、字典时，会实时反映到它们的迭代器上

  

5.文件迭代器：文件对象本身是一个迭代器（这里文件对象要是读打开）。它的.__next__()方法每次调用时，返回文件中的下一行。当到达文件末尾时，.__next__()方法会引发StopIteration异常。

.readline()方法在到达文件末尾时返回空字符串

6.字典的迭代器：字典的迭代器在迭代环境中，每次迭代返回的是一个键。

7.扩展的列表解析表达式： [ x+y for x in 'abc' if x!='a' for y in 'lmn' if y!='l']
其通用结构为：

[ expression for target1 in iterable1 [if condition1]
         for target2 in iterable2 [if condition2]
         ....]

我们总是可以用for循环手动构建列表解析表达式的结果，但是列表解析表达式性能更好

8.for循环、列表解析、in成员关系测试、map()内置函数、sorted()内置函数、zip()内置函数等都是用迭代协议来完成工作

9.常见的迭代函数：

• map(func,iterable)：它将函数func应用于传入的迭代器的每个迭代返回元素，返回一个新的迭代器，函数执行结果作为新迭代器的迭代值

  map()可以用于多个可迭代对象：map(func,[1,2,3],[2,3,4])，其中func(first,second) 的两个参数分别从两个可迭代对象中获取，函数结果作为新迭代器的迭代值

  

• zip(iterable1,iterable2,...)：它组合可迭代对象iterable1、iterable2、...中的各项，返回一个新的迭代器。新迭代器长度由iterable1、iterable2、...最短的那个决定。
  
• enumerate(iterable,start)：返回一个迭代器对象，它迭代结果是每次迭代返回一个(index,value)元组
  
• filter(func,iterable)：返回一个迭代器对象，它的迭代结果得到iterable中部分元素，其中这些元素使得func()函数返回为真
  

• reduce(func,iterable,initial)：对iterable中每一项成对地运行func，返回最终值

  reduce函数位于functools包内

  

• sorted(iterable,key=None,reverse=False)：排序并返回排好的新列表
  

• sum(iterable,start)：返回可迭代对象中的累加值
  

• any(iterable)：只要可迭代对象iterable迭代返回的某个元素为真则返回True

• all(iterable)：只有可迭代对象iterable迭代返回的所有元素为真则返回True
  

• max(iterable,key=func)：返回最大元素。若指定func，则返回是func(num)最大的那个元素

• min(iterable,key=func)：返回最小元素。若指定func，则返回是func(num)最小的那个元素
  

10.set解析、字典解析支持列表解析的扩展语法

11.Python3中，range对象不支持.__next__()，因此它本身不是迭代器，而map、zip、filter对象都是迭代器。

• range不直接生成列表的优点是节约内存空间
• 由于map、zip、filter对象都是迭代器，因此不支持在它们身上安装多个活跃的迭代器。对他们调用iter()其实返回的是它们本身。
  

12.字典的视图：键视图、值视图、字典视图都没有.__next__()方法，因此他们都不是迭代器

13.通常列表解析执行速度最快，map()速度次之，for循环速度最慢。前两者以C语言速度执行、后者在Python虚拟机上执行

14.生成器函数：编写为常规的def语句，但是用yield语句一次返回一个结果。每次使用生成器函数时会继续上一轮的状态。

生成器函数会保存上次执行的状态

定义生成器函数的语法为：

    def genFunc(num):
        for i in range(num):
            yield i**2

• 生成器函数执行时，得到一个生成器对象，它yield一个值，而不是返回一个值。
  • 生成器对象自动实现迭代协议，它有一个.__next__()方法
  • 对生成器对象调用.__next__()方法会继续生成器函数的运行到下一个yield 结果或引发一个StopIteration异常
• yield语句会挂起生成器函数并向调用者发送一个值。当下一轮继续时，函数会在上一个yield表达式返回后继续执行，其本地变量根据上一轮保持的状态继续使用
• 生成器函数运行代码随时间产生一系列的值，而不是一次性计算它们。这会节约内存并允许计算时间分散。
  

15.for循环（及其它迭代环境）通过重复调用.__next__()方法直到捕获一个异常。若一个不支持迭代协议的对象想用工作在这种环境中，for循环会尝试使用索引协议迭代。

16.生成器对象有一个.send(arg)方法。该方法会将arg参数发送给生成器作为yield表达式的返回值，同时生成器会触发生成动作(相当于调用了一次.__next__()方法。

yield表达式的返回值和生成值是不同的。
返回值是用于生成器函数内部，yield表达式默认返回值为None；
而生成值是用于生成器函数外部的迭代返回。

• 生成器对象必须先启动。启动意味着它第一次运行到yield之前挂起
  
• 要想启动生成器，可以直接使用next(generatorable)函数，也可以使用generatorable.send(None)方法，或者 generatorable.__next__()方法

  next(generatorable)函数相当于使用generatorable.send(None)方法

• generatorable.send(None)方法会在传递yield表达式的值（默认为None返回值），下一轮迭代从yield表达式返回开始

  每一轮挂起时，yield表达式 yield 一个数，但是并没有返回（挂起了该yield表达式）

  

17.生成器表达式：类似于列表解析，但是它是在圆括号中的，而不是方括号中的。

• 生成器表达式返回的是一个生成器对象
• 列表解析的结果等同于list()内参数为一个生成器表达式
• 当生成器表达式在其他括号之内时，它本身的圆括号可以不写
• 同样的迭代可以用生成器函数或者一个生成器表达式
  • 生成器函数可以包含更多的逻辑
  • 生成器表达式更简洁，没有函数调用产生生成器的过程
  • 生成器函数与生成器表达式支持自动迭代与手动迭代
• 生成器对象本身是迭代器，因此只支持一个活跃的迭代器。
  

18.生成器函数可以有return，它可以出现在函数内任何地方。生成器函数内遇到return则触发StopIteration异常，同时return的值作为异常说明

19.可以调用生成器对象的.close()方法强制关闭它。这样再次给它send()任何信息，都会抛出StopIteration异常，表明没有什么可以生成的了

20.yield from：从PEP 380引入的新特性。

• yield from可以将一个大的生成器切分成小生成器：

  def generator(): #该生成器yield数字[0~19]
    for i in range(10):
        yield i
    for j in range(10,20):
        yield j
  

  如果你想切分成两个迭代器，可以这么做：

  def generator2():
    for i in range(10):
        yield i
  def generator3():
    for j in range(10):
        yield j
  def generator():
    for i in generator2():
        yield i
    for j in generator3():
        yield j
  

  引入yield from之后你可以这么做：

  def generator2():
    for i in range(10):
        yield i
  def generator3():
    for j in range(10):
        yield j
  def generator():
    yield from generator2()
    yield from generator3()
  

• yield from能实现代理生成器：

  def generator():
    inner_gen=generator2()
    yield from inner_gen #为了便于说明，这里分两行写
  gen=generator()
  

  • 对inner_gen迭代产生的每个值都直接作为gen yield值
  • 所有gen.send(val)发送到gen的值val都会被直接传递给inner_gen。
  • inner_gen抛出异常：
    • 如果inner_gen产生了StopIteration异常， 则gen会继续执行yield from之后的语句
    • 如果对inner_gen产生了非StopIteration异常，则传导至gen中， 导致gen在执行yield from的时候抛出异常
  • gen抛出异常：
    • 如果gen产生了除GeneratorExit以外的异常，则该异常直接 throw 到inner_gen中
    • 如果gen产生了GeneratorExit异常，或者gen的.close()方法被调用， 则inner_gen的.close()方法被调用。
  • gen中yield from表达式求职结果是inner_gen迭代结束时抛出的StopIteration异常的第一个参数
  • inner_gen中的return xxx语句实际上会抛出一个StopIteration(xxx)异常， 所以inner_gen中的return值会成为gen中的yield from表达式的返回值。