什么是生成器？
通过列表生成式，我们可以直接创建一个列表，但是，受到内存限制，列表容量肯定是有限的，而且创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。
所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，从而节省大量的空间，在Python中，这种一边循环一边计算的机制，称为生成器：generator
生成器是一个特殊的程序，可以被用作控制循环的迭代行为，python中生成器是迭代器的一种，使用yield返回值函数，每次调用yield会暂停，而可以使用next()函数和send()函数恢复生成器。
生成器类似于返回值为数组的一个函数，这个函数可以接受参数，可以被调用，但是，不同于一般的函数会一次性返回包括了所有数值的数组，生成器一次只能产生一个值，这样消耗的内存数量将大大减小，而且允许调用函数可以很快的处理前几个返回值，因此生成器看起来像是一个函数，但是表现得却像是迭代器
python中的生成器
要创建一个generator，有很多种方法，第一种方法很简单，只有把一个列表生成式的[]中括号改为()小括号，就创建一个generator
举例说明：
# 列表生成式
lis = [x * x for x in range(10)]
print(lis)
# 生成器
generator_ex = (x * x for x in range(10))
print(generator_ex)
结果:
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
 at 0x0000024C407E4570>
那么创建list和generator_ex，的区别是什么呢？从表面看就是[ ]和(),但是结果却不一样，一个打印出来是列表(因为是列表生成式)，而第二个打印出来却是，那么如何打印出来generator_ex的每一个元素呢？
如果要一个个打印出来，可以通过next()函数获得generator的下一个返回值：
生成器
generator_ex = (x * x for x in range(10))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
结果：
0
1
4
9
16
25
36
49
64
81
print(next(generator_ex))
StopIteration
[Finished in 0.1s]
大家可以看到，generator保存的是算法，每次调用next(generaotr_ex)就计算出他的下一个元素的值，直到计算出最后一个元素，没有更多的元素时，抛出StopIteration的错误，而且上面这样不断调用是一个不好的习惯，正确的方法是使用for循环，因为generator也是可迭代对象：
# 生成器
generator_ex = (x * x for x in range(10))
for i in generator_ex:
print(i)
以我们创建一个generator后，基本上永远不会调用next()，而是通过for循环来迭代，并且不需要关心StopIteration的错误，generator非常强大，如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现。
比如著名的斐波那契数列，除第一个和第二个数外，任何一个数都可以由前两个相加得到：
1，1，2，3，5，8，12，21，34.....
斐波那契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：
# fibonacci数列
def fib(max):
n, a, b = 0, 0, 1
while n < max:
a, b = b, a + b
n = n + 1
print(a)
return 'done'
a = fib(10)
print(a)
a,b = b ,a+b 其实相当于 t =a+b ,a =b ,b =t ，所以不必写显示写出临时变量t，就可以输出斐波那契数列的前N个数字。上面输出的结果如下：
1
1
2
3
5
8
13
21
34
55
done
仔细观察，可以看出，fib函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator。
def fib(max):
n, a, b = 0, 0, 1
while n < max:
yield b
a, b = b, a + b
n = n + 1
return 'done'
a = fib(10)
print(a)
但是返回的不再是一个值，而是一个生成器，和上面的例子一样，大家可以看一下结果：
那么这样就不占内存了，这里说一下generator和函数的执行流程，函数是顺序执行的，遇到return语句或者最后一行函数语句就返回。而变成generator的函数，在每次调用next()的时候执行，遇到yield语句返回，再次被next()调用时候从上次的返回yield语句处急需执行，也就是用多少，取多少，不占内存。
把函数改成generator后，我们基本上从来不会用next()来获取下一个返回值，而是直接使用for循环来迭代：
def fib(max):
n, a, b = 0, 0, 1
while n < max:
yield b
a, b = b, a + b
n = n + 1
return 'done'
a = fib(10)
# print(a)
for i in a:
print(i)
但是用for循环调用generator时，发现拿不到generator的return语句的返回值。如果拿不到返回值，那么就会报错，所以为了不让报错，就要进行异常处理，拿到返回值，如果想要拿到返回值，必须捕获StopIteration错误，返回值包含在StopIteration的value中：
def fib(max):
n, a, b = 0, 0, 1
while n < max:
yield b
a, b = b, a + b
n = n + 1
return 'done'
g = fib(6)
while True:
try:
x = next(g)
print('generator: ', x)
except StopIteration as e:
print("生成器返回值：", e.value)
break
结果：
generator:  1
generator:  1
generator:  2
generator:  3
generator:  5
generator:  8
生成器返回值： done
还可以通过yield实现在单线程的情况下实现并发运算的效果
import time
def consumer(name):
print("%s 准备学习啦!" %name)
while True:
lesson = yield
print("开始[%s]了,[%s]老师来讲课了!" %(lesson,name))
def producer(name):
c = consumer('A')
c2 = consumer('B')
c.__next__()
c2.__next__()
print("同学们开始上课 了!")
for i in range(10):
time.sleep(1)
print("到了两个同学!")
c.send(i)
c2.send(i)
由上面的例子我么可以发现，python提供了两种基本的方式
生成器函数：也是用def定义的，利用关键字yield一次性返回一个结果，阻塞，重新开始
生成器表达式：返回一个对象，这个对象只有在需要的时候才产生结果
——生成器函数
为什么叫生成器函数？因为它随着时间的推移生成了一个数值队列。一般的函数在执行完毕之后会返回一个值然后退出，但是生成器函数会自动挂起，然后重新拾起急需执行，他会利用yield关键字关起函数，给调用者返回一个值，同时保留了当前的足够多的状态，可以使函数继续执行，生成器和迭代协议是密切相关的，迭代器都有一个__next__()__成员方法，这个方法要么返回迭代的下一项，要么引起异常结束迭代。
def create_counter(n):
print("create_counter")
while True:
yield n
print("increment n")
n += 1
gen = create_counter(2)
print(gen)
print(next(gen))
print(next(gen))
——生成器表达式
生成器表达式来源于迭代和列表解析的组合，生成器和列表解析类似，但是它使用尖括号而不是方括号
# 列表解析生成列表
x=[ x ** 3 for x in range(5)]
print(x)
結果：
[0, 1, 8, 27, 64]
# 生成器表达式
x=(x ** 3 for x in range(5))
print(x)
結果：
 at 0x000000000315F678>
# 两者之间转换
x=list(x ** 3 for x in range(5))
print(x)
結果：
[0, 1, 8, 27, 64]
一个迭代既可以被写成生成器函数，也可以被协程生成器表达式，均支持自动和手动迭代。而且这些生成器只支持一个active迭代，也就是说生成器的迭代器就是生成器本身。
迭代器(迭代就是循环)
迭代器包含有next方法的实现，在正确的范围内返回期待的数据以及超出范围后能够抛出StopIteration的错误停止迭代。
我们已经知道，可以直接作用于for循环的数据类型有以下几种：
一类是集合数据类型，如list,tuple,dict,set,str等
一类是generator，包括生成器和带yield的generator function
这些可以直接作用于for 循环的对象统称为可迭代对象：Iterable
可以使用isinstance()判断一个对象是否为可Iterable对象
from collections import Iterable
isinstance([], Iterable)
opIteration错误表示无法继续返回下一个值了。
所以这里讲一下迭代器
一个实现了iter方法的对象时可迭代的，一个实现next方法的对象是迭代器
可以被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator。
可以使用isinstance()判断一个对象是否是Iterator对象：
生成器都是Iterator对象，但list、dict、str虽然是Iterable(可迭代对象)，却不是Iterator(迭代器)。
把list、dict、str等Iterable变成Iterator可以使用iter()函数：
isinstance(iter([]), Iterator)
True
isinstance(iter('abc'), Iterator)
True
你可能会问，为什么list、dict、str等数据类型不是Iterator？
这是因为Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration错误。可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，所以Iterator的计算是惰性的，只有在需要返回下一个数据时它才会计算。
Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。

本文由柠檬班全程班49期学员superman原创。

生成器
列表推导式:直接生成列表


什么是生成器？
通过列表生成式，我们可以直接创建一个列表。
但是，受到内存限制，列表容量肯定是有限的，而且创建一个包含100万个元素的列表，不仅占用很大的存储空间.
如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。
所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？
这样就不必创建完整的list，从而节省大量的空间。
在Python中，这种一边循环一边计算的机制，称为生成器：generator
生成器是一个特殊的程序，可以被用作控制循环的迭代行为，python中生成器是迭代器的一种。
使用yield返回值函数，每次调用yield会暂停，而可以使用next()函数和send()函数恢复生成器。
生成器类似于返回值为数组的一个函数，这个函数可以接受参数，可以被调用。
但是，不同于一般的函数会一次性返回包括了所有数值的数组，生成器一次只能产生一个值，这样消耗的内存数量将大大减小。
而且允许调用函数可以很快的处理前几个返回值，因此生成器看起来像是一个函数。
但是表现得却像是迭代器python中的生成器要创建一个generator，有很多种方法.
第一种方法很简单，只有把一个列表生成式的[]中括号改为（）小括号，就创建一个generator

#列表生成式


#生成器


结果：
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
at 0x000002A4CBF9EBA0>
那么创建lis和generator_ex，的区别是什么呢？
从表面看就是[ ]和（）,但是结果却不一样，一个打印出来是列表（因为是列表生成式），而第二个打印出来却是 at 0x000002A4CBF9EBA0>。
那么如何打印出来generator_ex的每一个元素呢？
如果要一个个打印出来，可以通过next（）函数获得generator的下一个返回值：
#生成器


print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
print(next(generator_ex))
结果：
0
1
4
9
16
25
36
49
64
81
Traceback (most recent call last):
File “列表生成式.py”, line 42, in
print(next(generator_ex))
StopIteration

大家可以看到，generator保存的是算法，每次调用next(generaotr_ex)就计算出他的下一个元素的值，直到计算出最后一个元素。
没有更多的元素时，抛出StopIteration的错误。
而且上面这样不断调用是一个不好的习惯，正确的方法是使用for循环，因为generator也是可迭代对象：
#生成器

print(i)
结果：
0
1
4
9
16
25
36
49
64
81
所以我们创建一个generator后，基本上永远不会调用next()，而是通过for循环来迭代，并且不需要关心StopIteration的错误.
generator非常强大，如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现。
比如著名的斐波那契数列，除第一个和第二个数外，任何一个数都可以由前两个相加得到：
1，1，2，3，5，8，12，21，34…
斐波那契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：
#fibonacci数列

也就是说上面的函数也可以用generator来实现，上面我们发现，print(b)每次函数运行都要打印，占内存，所以为了不占内存，我们也可以使用生成器，这里叫yield。
如下：

yield函数可以让当前函数停下来，等需要调用的时候再执行，资源消耗最小的。
今天的小分享就到这了，有问题可以+群：939885326

讨论，加群请备注：CSDN，群内有各大城市软件测试招聘（北上广深比较多）消息，每周1至周5群都会有免费公开课，笔试面试题分享哒！

1.迭代器和生成器
生成器
通过列表生成式，我们可以直接创建一个列表，但是受内存限制，列表容器肯定是有限的，而创建一个包含100万个元素的列表，
不仅占用了很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面的绝大元素占用的空间就白白浪费了。
所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推断算出后续元素呢？这样就不必创建完整的list，从而节省大量的空间，
在python中，这种一遍循环一遍计算的机制，称为生成器：generator
在python3.0中range函数是一个迭代器。
>>> L = [x*x for x in range(10)]

>>> L

[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

>>> g = (x*x for x in range(10))

>>> g

<generator object <genexpr> at 0x024693A0>

>>>

创建L和g的区别仅仅在于最外层的 [] 和 () ，L是一个list，而g是一个generator.
我们可以直接打印出list的每个元素，但我们怎么打印出generator的每一个元素呢？如果一个个打印出来，可以通过next()函数获得generator的下一个返回值：


>>> g = (x*x for x in range(10))

>>> next(g)

0

>>> next(g)

1

>>> next(g)

4

>>> next(g)

9

>>> next(g)

16

>>> next(g)

25

>>> next(g)

36

>>> next(g)

49

>>> next(g)

64

>>> next(g)

81

>>> next(g)

Traceback (most recent call last):

  File "<stdin>", line 1, in <module>

StopIteration

generator保存的是算法，每次调用next(g)，就计算出g下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出Stopiteration错误。
正确做法使用for循环，因为generator也是可迭代对象：


>>>
 g = (x * x for x in range(10))

>>> for n in g:

...     print(n)
所以，我们创建一个generator后，基本上永远不会调用next(),而是通过for循环来迭代，不需要关心Stopiteration错误

generator非常强大。如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现。

斐波拉契数列推算规则：

#!/usr/bin/env python
# _*_ coding:utf-8 _*_

def fibr(max):
    n,a,b=0,0,1
    while n < max:
        yield b
        a,b = b,a+b
        n += 1
    return "done"
f = fibr(10)

print(f)
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
如果函数定义中含有yield关键字，那么它不是一个普通的函数，而是一个生成器generator。每次调用next（）时执行，

遇到yield语句返回，再执行时从上次的yield语句处继续执行。同样我们基本从来不用next（）来获取下一个返回值，
而是直接使用for循环来迭代。

for n in f:
    print(n)



但是用for循环调用generator时，发现拿不到generator的return语句的返回值。如果想要拿到返回值，必须捕获StopIteration错误，返回值包含在StopIteration的value中：

while True:
    try:
        x = next(f)
        print(x)
    except StopIteration as e:
        print("Generator return value:",e.value)
        break




迭代器
我们已经知道，可以作用在for循环的数据类型有以下几种：
一类是集合数据类型：list，dict，tuple，set，str
一类是generator，包括生成器和带yield的generator function
这些直接作用于for循环的对象统称为可迭代对象：Iterable。可以使用isinstance()判断一个对象是否是Iterable对象

from collections import Iterable
isinstance([],Iterable)
isinstance({},Iterable)
print(isinstance("abc",Iterable))

*可以被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator。


生成器都是Iterator对象，但list、dict、str虽然是Iterable，却不是Iterator。



你可能会问，为什么list、dict、str等数据类型不是Iterator？

这是因为Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration错误。可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，所以Iterator的计算是惰性的，只有在需要返回下一个数据时它才会计算。

Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。


it = iter([1,2,3,4,5,6])
while True:
    try:
        x = next(it)
        print(x)
    except StopIteration:
        break




异常处理

捕捉异常可以使用try/except语句。

try/except语句用来检测try语句块中的错误，从而让except语句捕获异常信息并处理。

如果你不想在异常发生时结束你的程序，只需在try里捕获它。

语法：

以下为简单的try....except...else的语法：
try:
<语句>        #运行别的代码
except <名字>：
<语句>        #如果在try部份引发了'name'异常
except <名字>，<数据>:
<语句>        #如果引发了'name'异常，获得附加的数据
else:
<语句>        #如果没有异常发生

try的工作原理是，当开始一个try语句后，python就在当前程序的上下文中作标记，这样当异常出现时就可以回到这里，try子句先执行，接下来会发生什么依赖于执行时是否出现异常。

如果当try后的语句执行时发生异常，python就跳回到try并执行第一个匹配该异常的except子句，异常处理完毕，控制流就通过整个try语句（除非在处理异常时又引发新的异常）。

如果在try后的语句里发生了异常，却没有匹配的except子句，异常将被递交到上层的try，或者到程序的最上层（这样将结束程序，并打印缺省的出错信息）。

如果在try子句执行时没有发生异常，python将执行else语句后的语句（如果有else的话），然后控制流通过整个try语句。
未完待续。。。。

系列文章目录
初学者笔记（一）：利用python求100的因数

初学者笔记（二）：利用python输出一个1-100的奇数列表
提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档
文章目录
系列文章目录
前言
一、程序内容
总结



前言
本文介绍了一种利用Python列表生成垃圾分类方法的基础内容。

提示：以下是本篇文章正文内容，下面案例可供参考
一、程序内容
若想知道元素是否在指定的列表里面，可以用in成员运算符做一个简单的判断。
代码如下（示例）：
list1=["Tom","Jerry","cat",1,2,3]
>>>"A" in list1
>>>False

垃圾可分为干垃圾、湿垃圾、可回收垃圾和有害垃圾，我们简单做成一个列表格式，然后再进行查找。

代码如下（示例）：
# -*- coding: utf-8 -*-
list1=["湿垃圾","菜叶","陈皮","葱","饼干","蛋壳","西瓜皮","马铃薯","骨头","香蕉皮","面包"]
list2=["干垃圾","盆子","贝壳","花生壳","砖块","篮球","渣土","核桃","烟蒂","扫把","木梳"]
list3=["有害垃圾","油漆桶","镍铬电池","打火机","创口贴","酒精","温度计","卫生纸","医用棉签","杀虫剂","水彩笔"]
list4=["可回收物","塑料瓶","食品罐头","玻璃瓶","易拉罐","牛奶盒","书包","玩偶","帽子","镜子","纸盒"]
list=[list1,list2,list3,list4]
key = input("请输入需要查询物品的名称: ")
if key in list1:
    print("找到了，这个是%s"%(list1[0]))
elif key in list2:
    print("找到了，这个是%s" % (list2[0]))
elif key in list3:
    print("找到了，这个是%s" % (list3[0]))
elif key in list4:
    print("找到了，这个是%s" % (list4[0]))
else:
    print("Sorry,{}没找到,可查询的垃圾包括：\n{}".format(key,list))

输出结果如下：
请输入需要查询物品的名称: 瓷砖
Sorry,瓷砖没找到,可查询的垃圾包括：
+[['湿垃圾', '菜叶', '陈皮', '葱', '饼干', '蛋壳', '西瓜皮', '马铃薯', '骨头', '香蕉皮', '面包'], 
['干垃圾', '盆子', '贝壳', '花生壳', '砖块', '篮球', '渣土', '核桃', '烟蒂', '扫把', '木梳'], 
['有害垃圾', '油漆桶', '镍铬电池', '打火机', '创口贴', '酒精', '温度计', '卫生纸', '医用棉签', '杀虫剂', '水彩笔'],
 ['可回收物', '塑料瓶', '食品罐头', '玻璃瓶', '易拉罐', '牛奶盒', '书包', '玩偶', '帽子', '镜子', '纸盒']]

总结
以上就是今天要讲的内容，由于是初学者使用的，思路和内容都比较简单。可以扩展增加列表元素添加和删除。也可以尝试读取写好的垃圾分类文本文件，进行逐行查找。今天就先到这里了。