python中迭代器
迭代器：在其内部实现yield方法和next方法的对象。可迭代对象：在类内部实现一个iter方法，并返回一个迭代器。
异步迭代器：实现了__aiter__()和__anext__()方法的对象，必须返回一个awaitable对象。async_for支持处理异步迭代器的
__anext__()方法返回的可等侍春待对象，直到引发一个stopAsyncIteration异常谨乎，这个改动由PEP 492引入。
异步可迭代对象：可在async_for语句中被使用的对象，必须通过它的__aiter__()方法老晌耐返回一个asynchronous_iterator（异步迭代器）. 这个改动由PEP 492引入。
示例： 不能直接写在普通方法或者暴露在外面。必须写在协程函数，任意协程函数均可。
② python迭代器是什么意思
迭代器（Iterator）：迭代器可以看作是一个特殊的对象，每次调用该对象时会返回自身的下一个元素，从实现上来看，一个迭代器对象
必须是定义了__iter__()方法和next()方法的对象。
Python的Iterator对象表示的是一个数据流，可以把这个数据流看做是一个有序序列，但我们却不能搜游提前知道序列的长度，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散困会计算；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；所有的Iterable可迭代对象均可以通过内置函数iter()来转变为迭代器Iterator。__iter__( )方法是让对象可以用
for … in循环遍历时找到数据对象的位置，next( )方法是让对象可以通过next(实例名)访问下一个元素。除了通过内置函数next调用可以
判断是否为迭代器外，还可以通过collection中的Iterator类型判断。如： isinstance(’’, Iterator)可以判断字符串类型是否迭代器。注
意： list、dict、str虽然是Iterable，却不是Iterator。迭代器优点：节约内存（循环过程中，数据不用一次读入，在处理文件对象时特别
有用，因为文件也是迭代器对象）、不依赖索引取值、实现惰性计算(需要时再取值计算)。
python学习网，免费的世掘销python学习网站，欢迎在线学习！
③ Python基础之迭代器
一.什么是迭代器
迭代器是用来迭代取值的工具。
而涉及到把多个值循环取出来的类型有：列表，字符串，元组，字段，集合，打开文件等。通过使用的遍历方式有for···in···，while等，但是，这些方式只适用于有索引的数据类型。为了解决索引取的局限性，python提供了一种 不依赖于索引的取值方式：迭代器
注意：
二.可迭代对象
可迭代对象：但凡内置有__iter__方法的都称为可迭代对象
常见的可迭代对象：
1.集合数据类型，如list,tuple,dict,set,str等
2.生成器，包括生成器和带yield的生成器函数。
三.如何创建迭代器
迭代器是一个包含数个值的对象。
迭代器是可以迭代的对象，这意味着您可以遍历所有值。
从技术上讲，在Python中，迭代器是实现迭代器协议的对象，该协议由方法 __iter__() 和 __next__() 组成。
简而言之，一个类里面实现了__iter__()和__next__()这两个魔法方法，那么这个类的对象就是可迭代对象。
四.迭代器的优缺点
1.优点
2.缺点
五.迭代器示例
另外，如果类Stu继承了Iterator，那么Stu可以不用实现__iter__()方法
遍历迭代器
StopIteration
如果你有足够的 next() 语句，或者在 for 循环中使用，则上面的例子将永远进行下去。
为了防止迭代永远进行，我们可以使用 StopIteration 语句。
在 __next__() 方法中，如果迭代完成指定的次数，我们可以添加一个终止条件来引发错误
④ Python：理解迭代器，并用迭代器生成斐波那契数列
-- 斐波那契数列，是有一系列整数组成的数列；
-- 这一数列任意位置上的数值与后一位相加，等于第三位数值；
-- 示例：
-- 方法缺陷：
（1）每次只能获取一个末位的数值，而不是整个数列；
（2）如果数值太大，运行时间会变得非常的长；
-- 如上面的例子，max_index = 30 的时候程序运行时常只需要 0:00:00.749871 秒，到了 max_index = 40 的时候就已经需要 0:00:57.805053 秒，这种耗时的增速在实际生产中是不能接受的；
-- 该方法的优点：相比与前面的方法，程序运行耗费罩咐的时间相对较快；
-- 该方法的缺陷：该方法使用 result_list = [] 作为一个容器存储生成的数值，如果数值足够大这个 list 将会占用大量内存空间，简言之： 如果物清纯数值过大，会占用大量内存 ；
-- 有兴趣的小伙伴可以尝试 max_index=10000 时程序的执行情况，看一看程正芹序内存占用情况；
-- 请注意：你的电脑可能会被卡死！！！
⑤ Python的基础知识之迭代器
迭代：按照一定的顺序访问集合中的每一个元素，或者叫遍历（其他语言叫做遍历）；
可迭代对象（Iterable）：能被迭代的对象，或者说直接作用于for循环的对象，可以通过for..in来遍历的对象，比如数组（list）、元祖（tuple）字符串等；
迭代器（Iterator）：能作用于next() 函数，并不断返回下一个值的对象称为迭代器，是惰性计算的序列（很重要）
1、判断一个对象是可迭代对象呢？方法是通过collections模块的Iterable类型判断
2、判断一个对象是否是迭代器Iterator对象
3、可迭代对象Iterable转化为迭代器对象Iterator
4、使用迭代器迭代
1、迭代器的特性
A.惰性计算数据，节省内存
B.能记枝基录状态，并通过next()函数执行下早谈一个状态
C.具有可迭代性
2、集合数据类型如list、dict、str、tuple等是可迭代对象Iterable但不是迭代器Iterator，不过可以通过iter()函数转化为一个Iterator对象
原因：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。Iterator对象表示一个无限大的数据，集合是有限集合，假如被next()到最后就是没有返回直接carsh
3、生成器（generator）一定是迭代器，他是一种特殊的迭代器；
如果想了解更多Python知识，请查看
Python的基础知识之生成器
Python的基猛睁谨础知识之装饰器
学无止境，学习Python的伙伴可以多多交流。
⑥ Python中的迭代器与可迭代:iter()和next()
一种自动迭代的更优雅的实现是使用 for循环
在Python中，迭代器（Iterator）和可迭代(iterable)的区别是，迭代器支持 iter ()和 next ()方法；可迭代支持 iter ()方法。可迭代只能在for循环中获得元素，迭代器还可以用next()方法获取元素。
list/truple/map/dict都是可迭代，但不是迭代器；这些数据的大银圆小是确定的；迭代器不是，迭代器不知春芦道要执行多少次，所以可以理解为不知道有多少个元素，每调用一次next()，就会往下走一步。
凡是可以for循环的，都是Iterable
凡是可扒搏带以next()的，都是Iterator
⑦ Python什么是迭代器
iamlaosong文
我们在用for
...
in
...语句循环时，in后面跟随的对象要求是可迭代对象，即可以直接作用于for循环的对象统称为可迭代对象（iterable），如list、tuple、dict、set、str等。
可迭代对象是实现了__iter__()方法的对象，而迭代器（iterator）则是实现了__iter__()和__next__()方法的对象，可以显示地获取下一个元素。这种可以被next调用并不断返回下一个值的对象称为迭代器。迭代器一定是可迭代对象，反过来则不一定成立。用iter()函数可以把list、dict、str等iterable变成iterator，例如：
bb=[x
for
x
in
range(10)]
cc=iter(bb)
cc.next()
循环变量的值其实可以看着是一次次用next取值的过程，每取一个值，做一次处理。list等对象用于循环实际上可以看着是用iter()方法产生一个迭代器，然后循环取值。
生成器（generator）就是一个能返回迭代器的函数，其实就是定义一个迭代算法，可以理解为一个特殊的迭代器。调用这个函数就得到一个迭代器，生成器中的yield相当于一个断点，执行到此返回一个值后暂停，从而实现next取值。
⑧ python迭代器和生成器的区别
迭代器
迭代是Python最强大的功能之一，是访问集合元素的一种方式。
迭代器是一个可以记住遍历的位置的对象。
迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束，迭代器只能往前不会后退。
迭代器有两个基本的方法：iter()和next()。
生成器
在Python中，使用了yield的函数被称为生成器。
跟普通函数不同的是，生成器是一个返回迭代器的函数，只能用于迭代操作，更简单点理解生成器就是一个迭代器。
在调用生成器运行的过程中，每次遇到yield时函数会暂停并保存当前所有的运行信息，返回yield的值，并在下一次执行next()方法时从当前位置继续运行。
调用一个生成器函数，返回的是一个迭代器对象。
迭代器与生成器之间的区别：
迭代器是一个更抽象的概念，任何对象，如果它的类有NEXTiter方法返回自己本身，对于string、list、dict、tuple等这类容器对象，使用for循环遍历是很方便的。在后台For语言对容器对象条用iter()函数，iter()是Python的内置函数。iter()会返回一个定义了next()方法迭代器对象，在容器中逐个访问容器的元素，next()也是Python的内置函数，next()会抛出StopIteration异常。
生成器是创新迭代器的简单而强大的工具，它们写起来就好像正则函数，只是在需要返回数据的时候使用yield 语句。
迭代器协议，对象需要提供next()方法，它要么返回迭代中的下一项，要么就引起一个StopIteration异常，终止迭代。
可迭代对象，实现了迭代器协议对象。list、tuple、dict都是Iterable可迭代的对象，但不是Iterator迭代器对象。
⑨ Python中的for循环、可迭代对象、迭代器和生成器-
问题：
“迭代是重复反馈过程的活动，其目的通常是为了逼近所需目标或结果。”在Python中，可迭代对象、迭代器、for循环都是和“迭代”密切相关的知识点。
下面我们试着通过实现自定义一下list的迭代过程：
迭代器和生成器总是会被同时提起，那么它们之间有什么关联呢——生成器是一种特殊的迭代器。
⑩ 如何更好地理解Python迭代器和生成器
在Python这门语言中，生成器毫无疑问是最有用的特性之一。与此同时，也是使用的最不广泛的Python特性之一。究其原因，主要是因为，在其他主流语言里面没有生成器的概念。正是由于生成器是一个“新”的东西，所以，它一方面没有引起广大工程师的重视，另一方面，也增加了工程师的学习成本，最终导致大家错过了Python中如此有用的一个特性。
我的这篇文章，希望通过简单易懂的方式，深入浅出地介绍Python的生成器，以改变“如此有用的特性却使用极不广泛”的现象。本文的组织如下：在第1章，我们简单地介绍了Python中的迭代器协议；在本文第2章，将会详细介绍生成器的概念和语法；在第3章，将会给出一个有用的例子，说明使用生成器的好处；在本文最后，简单的讨论了使用生成器的注意事项。
1. 迭代器协议
由于生成器自动实现了迭代器协议，而迭代器协议对很多人来说，也是一个较为抽象的概念。所以，为了更好的理解生成器，我们需要简单的回顾一下迭代器协议的概念。
迭代器协议是指：对象需要提供next方法，它要么返回迭代中的下一项，要么就引起一个StopIteration异常，以终止迭代
可迭代对象就是：实现了迭代器协议的对象
协议是一种约定，可迭代对象实现迭代器协议，Python的内置工具(如for循环，sum，min，max函数等)使用迭代器协议访问对象。
举个例子：在所有语言中，我们都可以使用for循环来遍历数组，Python的list底层实现是一个数组，所以，我们可以使用for循环来遍历list。如下所示：
>>> for n in [1, 2, 3, 4]:
... print n
但是，对Python稍微熟悉一点的朋友应该知道，Python的for循环不但可以用来遍历list，还可以用来遍历文件对象，如下所示：
>>> with open(‘/etc/passwd’) as f: # 文件对象提供迭代器协议
... for line in f: # for循环使用迭代器协议访问文件
... print line
...
为什么在Python中，文件还可以使用for循环进行遍历呢？这是因为，在Python中，文件对象实现了迭代器协议，for循环并不知道它遍历的是一个文件对象，它只管使用迭代器协议访问对象即可。正是由于Python的文件对象实现了迭代器协议，我们才得以使用如此方便的方式访问文件，如下所示：
>>> f = open('/etc/passwd')
>>> dir(f)
['__class__', '__enter__', '__exit__', '__iter__', '__new__', 'writelines', '...'
2. 生成器
Python使用生成器对延迟操作提供了支持。所谓延迟操作，是指在需要的时候才产生结果，而不是立即产生结果。这也是生成器的主要好处。
Python有两种不同的方式提供生成器：
生成器函数：常规函数定义，但是，使用yield语句而不是return语句返回结果。yield语句一次返回一个结果，在每个结果中间，挂起函数的状态，以便下次重它离开的地方继续执行
生成器表达式：类似于列表推导，但是，生成器返回按需产生结果的一个对象，而不是一次构建一个结果列表
2.1 生成器函数
我们来看一个例子，使用生成器返回自然数的平方（注意返回的是多个值）：
def gensquares(N):
for i in range(N):
yield i ** 2
for item in gensquares(5):
print item,
使用普通函数：
def gensquares(N):
res = []
for i in range(N):
res.append(i*i)
return res
for item in gensquares(5):
print item,
可以看到，使用生成器函数代码量更少。
2.2 生成器表达式
使用列表推导，将会一次产生所有结果：
>>> squares = [x**2 for x in range(5)]
>>> squares
[0, 1, 4, 9, 16]
将列表推导的中括号，替换成圆括号，就是一个生成器表达式：
>>> squares = (x**2 for x in range(5))
>>> squares
<generator object at 0x00B2EC88>
>>> next(squares)
0
>>> next(squares)
1
>>> next(squares)
4
>>> list(squares)
[9, 16]
Python不但使用迭代器协议，让for循环变得更加通用。大部分内置函数，也是使用迭代器协议访问对象的。例如， sum函数是Python的内置函数，该函数使用迭代器协议访问对象，而生成器实现了迭代器协议，所以，我们可以直接这样计算一系列值的和：
>>> sum(x ** 2 for x in xrange(4))
而不用多此一举的先构造一个列表：
>>> sum([x ** 2 for x in xrange(4)])
2.3 再看生成器
前面已经对生成器有了感性的认识，我们以生成器函数为例，再来深入探讨一下Python的生成器：
语法上和函数类似：生成器函数和常规函数几乎是一样的。它们都是使用def语句进行定义，差别在于，生成器使用yield语句返回一个值，而常规函数使用return语句返回一个值
自动实现迭代器协议：对于生成器，Python会自动实现迭代器协议，以便应用到迭代背景中（如for循环，sum函数）。由于生成器自动实现了迭代器协议，所以，我们可以调用它的next方法，并且，在没有值可以返回的时候，生成器自动产生StopIteration异常
状态挂起：生成器使用yield语句返回一个值。yield语句挂起该生成器函数的状态，保留足够的信息，以便之后从它离开的地方继续执行
3. 示例
我们再来看两个生成器的例子，以便大家更好的理解生成器的作用。
首先，生成器的好处是延迟计算，一次返回一个结果。也就是说，它不会一次生成所有的结果，这对于大数据量处理，将会非常有用。
大家可以在自己电脑上试试下面两个表达式，并且观察内存占用情况。对于前一个表达式，我在自己的电脑上进行测试，还没有看到最终结果电脑就已经卡死，对于后一个表达式，几乎没有什么内存占用。
sum([i for i in xrange(10000000000)])
sum(i for i in xrange(10000000000))
除了延迟计算，生成器还能有效提高代码可读性。例如，现在有一个需求，求一段文字中，每个单词出现的位置。
不使用生成器的情况：
def index_words(text):
result = []
if text:
result.append(0)
for index, letter in enumerate(text, 1):
if letter == ' ':
result.append(index)
return result
使用生成器的情况：
def index_words(text):
if text:
yield 0
for index, letter in enumerate(text, 1):
if letter == ' ':
yield index
这里，至少有两个充分的理由说明 ，使用生成器比不使用生成器代码更加清晰：
使用生成器以后，代码行数更少。大家要记住，如果想把代码写的Pythonic，在保证代码可读性的前提下，代码行数越少越好
不使用生成器的时候，对于每次结果，我们首先看到的是result.append(index)，其次，才是index。也就是说，我们每次看到的是一个列表的append操作，只是append的是我们想要的结果。使用生成器的时候，直接yield index，少了列表append操作的干扰，我们一眼就能够看出，代码是要返回index。
这个例子充分说明了，合理使用生成器，能够有效提高代码可读性。只要大家完全接受了生成器的概念，理解了yield语句和return语句一样，也是返回一个值。那么，就能够理解为什么使用生成器比不使用生成器要好，能够理解使用生成器真的可以让代码变得清晰易懂。
4. 使用生成器的注意事项
相信通过这篇文章，大家已经能够理解生成器的作用和好处。但是，还没有结束，使用生成器，也有一点注意事项。
我们直接来看例子，假设文件中保存了每个省份的人口总数，现在，需要求每个省份的人口占全国总人口的比例。显然，我们需要先求出全国的总人口，然后在遍历每个省份的人口，用每个省的人口数除以总人口数，就得到了每个省份的人口占全国人口的比例。
如下所示：
def get_province_population(filename):
with open(filename) as f:
for line in f:
yield int(line)
gen = get_province_population('data.txt')
all_population = sum(gen)
#print all_population
for population in gen:
print population / all_population
执行上面这段代码，将不会有任何输出，这是因为，生成器只能遍历一次。在我们执行sum语句的时候，就遍历了我们的生成器，当我们再次遍历我们的生成器的时候，将不会有任何记录。所以，上面的代码不会有任何输出。
因此，生成器的唯一注意事项就是：生成器只能遍历一次。
5. 总结
本文深入浅出地介绍了Python中，一个容易被大家忽略的重要特性，即Python的生成器。为了讲解生成器，本文先介绍了迭代器协议，然后介绍了生成器函数和生成器表达式，并通过示例演示了生成器的优点和注意事项。在实际工作中，充分利用Python生成器，不但能够减少内存使用，还能够提高代码可读性。掌握生成器也是Python高手的标配。希望本文能够帮助大家理解Python的生成器。