Python生成器表达式

示例

生成器表达式与列表推导非常相似。主要区别在于它不会立即创建完整的结果集；它创建了一个生成器对象，然后可以对其进行迭代。

例如，请参见以下代码中的区别：

# 清单理解
[x**2 for x in range(10)]
# 输出：[0、1、4、9、16、25、36、49、64、81]

# 生成器理解
(x**2 for x in xrange(10))
# Output: <generator object <genexpr> at 0x11b4b7c80>

这是两个非常不同的对象：

• 列表推导返回一个list对象，而生成器推导返回一个对象generator。

• generator无法为对象建立索引，而是无法使用该next函数按顺序获取项目。

注意：我们使用xrange它是因为它也会创建一个生成器对象。如果我们使用范围，则会创建一个列表。此外，xrange仅在更高版本的python 2中存在。在python 3中，range仅返回生成器。有关更多信息，请参见range和xrange函数之间的差异示例。

g = (x**2 for x in xrange(10))
print(g[0])

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: 'generator' object has no attribute '__getitem__'

g.next()  # 0
g.next()  # 1
g.next()  # 4
...
g.next()  # 81

g.next()  # 引发StopIteration异常

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration

尽管这两种方法都可以通过类似的方式进行迭代：

for i in [x**2 for x in range(10)]:
    print(i)

"""
Out:
0
1
4
...
81
"""

for i in (x**2 for x in xrange(10)):
    print(i)

"""
Out:
0
1
4
.
.
.
81
"""

用例

生成器表达式是延迟计算的，这意味着它们仅在迭代生成器时才生成并返回每个值。在遍历大型数据集时，这通常很有用，避免了在内存中创建数据集副本的需要：

for square in (x**2 for x in range(1000000)):
    #做点什么

另一个常见用例是避免不必要地遍历整个可迭代对象。在此示例中，每次的迭代都从远程API检索项目get_objects()。可能存在成千上万个对象，必须逐一检索它们，而我们只需要知道是否存在与模式匹配的对象即可。通过使用生成器表达式，当我们遇到与模式匹配的对象时。

def get_objects():
    """Gets objects from an API one by one"""
    while True:
        yield get_next_item()

def object_matches_pattern(obj):
    # 执行潜在的复杂计算
    return matches_pattern

def right_item_exists():
    items = (object_matched_pattern(each) for each in get_objects())
    for item in items:
        if item.is_the_right_one:


            return True
    return False