Python：生成器表达式与产量

Question 1

在Python中，通过生成器表达式创建生成器对象与使用yield语句之间有什么区别吗？

使用yield：

def Generator(x, y):
    for i in xrange(x):
        for j in xrange(y):
            yield(i, j)

使用生成器表达式：

def Generator(x, y):
    return ((i, j) for i in xrange(x) for j in xrange(y))

这两个函数都返回生成器对象，这些对象生成元组，例如（0,0），（0,1）等。

一个或另一个有什么优势吗？有什么想法吗？

谢谢大家！这些答案中有很多不错的信息和进一步的参考！

Question 2

两者之间只有细微的差别。您可以使用该dis模块自己检查这种事情。

编辑：我的第一个版本反编译了在交互式提示符下在module-scope上创建的生成器表达式。这与在函数内部使用的OP版本略有不同。我已对此进行了修改，以匹配问题中的实际情况。

如下所示，“ yield”生成器（第一种情况）在设置中具有三个额外的指令，但与第一个指令相比，FOR_ITER它们仅在一个方面有所不同：“ yield”方法在循环内部使用LOAD_FAST代替LOAD_DEREF。相对于LOAD_DEREF，“”慢得多LOAD_FAST，因此对于x（外部循环）足够大的值，它使“ yield”版本比生成器表达式快一些，因为y每次通过时，的值加载都快一些。对于较小的值，x由于设置代码的额外开销，它会稍微慢一些。

可能还需要指出，生成器表达式通常将在代码中内联使用，而不是将其与类似的函数包装在一起。即使LOAD_FAST为“ yield”版本提供了一个优势，这也将减少一点设置开销，并使生成器表达式对于较小的循环值稍微快一些。

在任何一种情况下，性能差异都不足以证明在一个或另一个之间做出决定是合理的。可读性的重要性要大得多，因此请使用对当前情况最易读的方式。

>>> def Generator(x, y):
...     for i in xrange(x):
...         for j in xrange(y):
...             yield(i, j)
...
>>> dis.dis(Generator)
  2           0 SETUP_LOOP              54 (to 57)
              3 LOAD_GLOBAL              0 (xrange)
              6 LOAD_FAST                0 (x)
              9 CALL_FUNCTION            1
             12 GET_ITER
        >>   13 FOR_ITER                40 (to 56)
             16 STORE_FAST               2 (i)

  3          19 SETUP_LOOP              31 (to 53)
             22 LOAD_GLOBAL              0 (xrange)
             25 LOAD_FAST                1 (y)
             28 CALL_FUNCTION            1
             31 GET_ITER
        >>   32 FOR_ITER                17 (to 52)
             35 STORE_FAST               3 (j)

  4          38 LOAD_FAST                2 (i)
             41 LOAD_FAST                3 (j)
             44 BUILD_TUPLE              2
             47 YIELD_VALUE
             48 POP_TOP
             49 JUMP_ABSOLUTE           32
        >>   52 POP_BLOCK
        >>   53 JUMP_ABSOLUTE           13
        >>   56 POP_BLOCK
        >>   57 LOAD_CONST               0 (None)
             60 RETURN_VALUE
>>> def Generator_expr(x, y):
...    return ((i, j) for i in xrange(x) for j in xrange(y))
...
>>> dis.dis(Generator_expr.func_code.co_consts[1])
  2           0 SETUP_LOOP              47 (to 50)
              3 LOAD_FAST                0 (.0)
        >>    6 FOR_ITER                40 (to 49)
              9 STORE_FAST               1 (i)
             12 SETUP_LOOP              31 (to 46)
             15 LOAD_GLOBAL              0 (xrange)
             18 LOAD_DEREF               0 (y)
             21 CALL_FUNCTION            1
             24 GET_ITER
        >>   25 FOR_ITER                17 (to 45)
             28 STORE_FAST               2 (j)
             31 LOAD_FAST                1 (i)
             34 LOAD_FAST                2 (j)
             37 BUILD_TUPLE              2
             40 YIELD_VALUE
             41 POP_TOP
             42 JUMP_ABSOLUTE           25
        >>   45 POP_BLOCK
        >>   46 JUMP_ABSOLUTE            6
        >>   49 POP_BLOCK
        >>   50 LOAD_CONST               0 (None)
             53 RETURN_VALUE

Question 3

在此示例中，并非如此。但是yield可以用于更复杂的构造- 例如，它也可以接受来自调用方的值，并因此修改流。阅读PEP 342了解更多详细信息（这是一个有趣的技术，值得了解）。

无论如何，最好的建议是使用更清楚您需要的东西。

PS这是Dave Beazley的一个简单协程示例：

def grep(pattern):
    print "Looking for %s" % pattern
    while True:
        line = (yield)
        if pattern in line:
            print line,

# Example use
if __name__ == '__main__':
    g = grep("python")
    g.next()
    g.send("Yeah, but no, but yeah, but no")
    g.send("A series of tubes")
    g.send("python generators rock!")

Question 4

可以适合生成器表达式的简单循环的类型没有区别。但是，可以使用yield来生成执行更复杂处理的生成器。这是生成斐波那契数列的简单示例：

>>> def fibgen():
...    a = b = 1
...    while True:
...        yield a
...        a, b = b, a+b

>>> list(itertools.takewhile((lambda x: x<100), fibgen()))
[1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89]

Question 5

在使用中，请注意生成器对象与生成器函数之间的区别。

与生成器函数相反，生成器对象只能使用一次，因为生成器函数会返回一个新的生成器对象，因此生成器对象可以在每次再次调用时重用。

实际上，生成器表达式通常使用“原始”，而不将它们包装在函数中，并且它们返回生成器对象。

例如：

def range_10_gen_func():
    x = 0
    while x < 10:
        yield x
        x = x + 1

print(list(range_10_gen_func()))
print(list(range_10_gen_func()))
print(list(range_10_gen_func()))

输出：

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

比较一下用法稍有不同：

range_10_gen = range_10_gen_func()
print(list(range_10_gen))
print(list(range_10_gen))
print(list(range_10_gen))

输出：

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
[]
[]

并与生成器表达式进行比较：

range_10_gen_expr = (x for x in range(10))
print(list(range_10_gen_expr))
print(list(range_10_gen_expr))
print(list(range_10_gen_expr))

它也输出：

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
[]
[]

Question 6

yield如果表达式比嵌套循环更复杂，则使用很好。除其他事项外，您可以返回特殊的第一个或特殊的最后一个值。考虑：

def Generator(x):
  for i in xrange(x):
    yield(i)
  yield(None)

Question 7

考虑迭代器时，itertools模块：

...标准化了一套快速的，高效的内存有效工具，这些工具本身或结合使用很有用。它们共同构成了一个“迭代器代数”，从而可以在纯Python中简洁高效地构建专用工具。

为了表现，请考虑 itertools.product(*iterables[, repeat])

输入可迭代项的笛卡尔积。

等效于生成器表达式中的嵌套for循环。例如，product(A, B)返回与相同的结果((x,y) for x in A for y in B)。

>>> import itertools
>>> def gen(x,y):
...     return itertools.product(xrange(x),xrange(y))
... 
>>> [t for t in gen(3,2)]
[(0, 0), (0, 1), (1, 0), (1, 1), (2, 0), (2, 1)]
>>>

Question 8

是，有一点不同。

对于生成器表达式(x for var in expr)，iter(expr)在创建表达式时调用它。

使用def和yield创建生成器时，如下所示：

def my_generator():
    for var in expr:
        yield x

g = my_generator()

iter(expr)尚未被调用。仅在迭代时才调用它g（可能根本不调用）。

以该迭代器为例：

from __future__ import print_function


class CountDown(object):
    def __init__(self, n):
        self.n = n

    def __iter__(self):
        print("ITER")
        return self

    def __next__(self):
        if self.n == 0:
            raise StopIteration()
        self.n -= 1
        return self.n

    next = __next__  # for python2

这段代码：

g1 = (i ** 2 for i in CountDown(3))  # immediately prints "ITER"
print("Go!")
for x in g1:
    print(x)

而：

def my_generator():
    for i in CountDown(3):
        yield i ** 2


g2 = my_generator()
print("Go!")
for x in g2:  # "ITER" is only printed here
    print(x)

由于大多数迭代器不会在中做很多事情__iter__，因此很容易错过这种行为。一个真实的示例是Django的示例QuerySet，该示例会读取数据__iter__并data = (f(x) for x in qs)花费大量时间，而def g(): for x in qs: yield f(x)随后data=g()它将立即返回。

有关更多信息和正式定义，请参阅PEP 289-生成器表达式。

Question 9

在尚未指出的某些情况下，可能存在重要的差异。使用yield可以防止您return除了隐式提高StopIteration（以及协程相关的东西）之外还用于其他用途。

这意味着此代码格式不正确（将其提供给解释器将为您提供AttributeError）：

class Tea:

    """With a cloud of milk, please"""

    def __init__(self, temperature):
        self.temperature = temperature

def mary_poppins_purse(tea_time=False):
    """I would like to make one thing clear: I never explain anything."""
    if tea_time:
        return Tea(355)
    else:
        for item in ['lamp', 'mirror', 'coat rack', 'tape measure', 'ficus']:
            yield item

print(mary_poppins_purse(True).temperature)

另一方面，此代码的作用就像一个魅力：

class Tea:

    """With a cloud of milk, please"""

    def __init__(self, temperature):
        self.temperature = temperature

def mary_poppins_purse(tea_time=False):
    """I would like to make one thing clear: I never explain anything."""
    if tea_time:
        return Tea(355)
    else:
        return (item for item in ['lamp', 'mirror', 'coat rack',
                                  'tape measure', 'ficus'])

print(mary_poppins_purse(True).temperature)