一、Python迭代器
Python迭代器是一个可以记住遍历的位置的对象。迭代器对象必须实现两个方法，__iter__() 和 __next__()。字符串、列表或元组等数据类型都是可迭代对象，但它们不是迭代器，因为它们没有实现 __next__() 方法。
为了创建迭代器，你需要实现这两个方法。__iter__() 方法返回迭代器对象本身，而 __next__() 方法返回容器的下一个值。如果容器没有更多的值，则 __next__() 抛出一个 StopIteration 异常。
下面是一个简单的迭代器示例，用于遍历给定范围内的所有整数：
class MyNumbers:
def __iter__(self):
self.a = 1
return self
def __next__(self):
x = self.a
self.a += 1
if self.a > 5:
raise StopIteration
return x
myclass = MyNumbers()
myiter = iter(myclass)
print(next(myiter)) # 输出 1
print(next(myiter)) # 输出 2
print(next(myiter)) # 输出 3
print(next(myiter)) # 输出 4
print(next(myiter)) # 输出 5
print(next(myiter)) # 抛出 StopIteration 异常
在这个例子中，MyNumbers 类有一个 __next__ 方法，它返回一个值，然后在每次调用时递增内部变量 a。当 a 大于 5 时，__next__ 方法抛出一个 StopIteration 异常。
iter() 函数用于获取迭代器对象，next() 函数用于获取迭代器的下一个值。
在 Python 中，迭代器模式常用于实现容器类的遍历操作，如列表、元组、字典、集合等。此外，迭代器还常用于实现文件读取、网络请求等需要逐步获取数据的场景。
迭代器的作用
迭代器在Python中的主要作用包括：
- 节省内存：当处理大数据集合时，如果直接使用for循环进行遍历，需要将整个集合加载到内存中，这可能会导致程序占用大量的内存空间。然而，使用迭代器可以逐个访问集合中的元素，从而减少了内存的使用，避免了可能的程序崩溃风险。
- 延迟计算：迭代器只在需要时生成下一个数据，这可以避免一次性生成大量的数据，从而提高了程序的效率。这种特性在处理大型或无限数据集时特别有用。
- 支持无限序列：普通的for循环需要一个确定的序列来进行迭代处理，但迭代器没有这个限制。你可以自定义一个迭代器来支持无限序列，并且可以逐个从中取出数据进行处理。
Python中的迭代器提供了一种有效且内存友好的方式来遍历数据集合。它们允许你逐个访问集合中的元素，而不需要事先知道集合的大小或将其全部加载到内存中。
二、Python生成器
Python生成器（Generator）是一种特殊的迭代器，它允许你逐个产生（yield）值，而不是一次性生成整个列表或其他数据结构。
生成器使用yield关键字来返回一个值，并记住生成器的当前状态，以便下次调用时从该状态继续执行。
生成器函数看起来就像普通的函数，但是使用yield代替return来返回值。每次调用生成器函数时，它会返回下一个yield表达式的值，直到没有更多的值可以返回为止。
生成器函数可以通过几种方式创建：
- 使用
yield关键字的函数。 - 使用
()将生成器函数调用的结果转化为生成器对象。 - 使用
from…import语句导入模块中的生成器函数。
下面是生成器函数的一个简单示例：
def simple_generator():
n = 1
print('This is printed first')
yield n
n += 1
print('This is printed second')
yield n
n += 1
print('This is printed last')
yield n
# 创建生成器对象
my_generator = simple_generator()
# 使用next()函数逐个获取生成器产生的值
print(next(my_generator)) # 输出: This is printed first，然后输出 1
print(next(my_generator)) # 输出: This is printed second，然后输出 2
print(next(my_generator)) # 输出: This is printed last，然后输出 3
# 再次调用next()会抛出StopIteration异常，因为没有更多的值可以返回
# print(next(my_generator)) # StopIteration
此外，还可以使用生成器表达式来创建生成器，这是一种更简洁的语法：
# 生成器表达式
square_numbers = (x**2 for x in range(10))
# 使用循环来遍历生成器
for square in square_numbers:
print(square)
生成器在处理大数据集时特别有用，因为它们只在需要时生成数据，从而节省内存。此外，生成器还允许实现无限序列，因为每次调用next()时，生成器可以从上次停止的地方继续执行。
Python生成器的作用
Python生成器的作用主要体现在以下几个方面：
- 内存效率：生成器允许你按需生成值，而不是一次性生成整个列表或其他数据结构。这意味着在处理大量数据时，生成器可以显著减少内存使用，因为它只在需要时产生新的值，而不是一次性创建并存储整个数据集。
- 延迟计算：生成器提供了一种延迟计算的机制。你可以定义一个生成器函数，它会在每次调用时生成下一个值，而不是一开始就计算所有值。这在处理复杂或耗时的计算时特别有用，因为它允许你避免不必要的计算，只在需要结果时才进行计算。
- 无限序列：由于生成器函数可以记住自己的状态并在下次调用时从该状态继续执行，因此它们可以用于生成无限序列。这对于需要无限数据集的应用场景（如数学函数、随机数生成等）特别有用。
- 简洁性和可读性：生成器表达式提供了一种简洁的语法来创建生成器，使得代码更加简洁和易读。此外，生成器函数也可以很容易地与其他Python功能（如列表推导式、字典推导式等）结合使用，以增加代码的可读性和可维护性。
Python生成器在内存管理、延迟计算、生成无限序列以及提高代码简洁性和可读性方面都具有重要作用。它们是处理大型数据集和复杂计算任务时非常有用的工具。
