Python 代码中的 yield 关键字到底是什么

目录

• 迭代与可迭代对象
• 生成器
• yield关键词
• 深入理解yield
• 高级用法
• itertools模块
• 总结

在python编程中，有一个强大而神秘的关键字，那就是yield。初学者常常被它搞得晕头转向，而高级开发者则借助它实现高效的代码。到底yield是什么？它又是如何在Python代码中发挥作用的呢？让我们一起来揭开它的面纱。

Python里的一个非常重要但也颇具迷惑性的关键词——yield。

什么是yield？为什么我们需要在Python中使用它？

来，让我们一起来拆解一下，看看yield到底是个啥。

迭代与可迭代对象

要搞明白yield，咱们先得弄清楚什么是可迭代对象（iterables）。

所谓可迭代对象，简单来说，就是你可以逐个读取其元素的对象，比如列表、字符串、文件等等。举个例子，当你创建一个列表时，你可以用for循环一个个地读取它的元素：

mylist = [1, 2, 3]
for i in mylist:
print(i)

输出会是：

1

2

3

这里的mylist就是一个可迭代对象。你还可以用列表推导式（list comprehension）来创建一个列表，它同样也是可迭代的：

mylist = [x*x for x in range(3)]
for i in mylist:
print(i)

输出是：

1

2

3

凡是你可以用for... in...来操作的东西，都是可迭代对象，包括列表、字符串、文件等等。

可迭代对象非常方便，因为你可以任意多次地读取它们的值，但前提是你得把所有值都存储在内存里。这就带来了一个问题：当数据量很大时，这种方式显然不太合适。

生成器

生成器（generators）是迭代器的一种，你只能遍历它们一次。生成器不像列表那样把所有的值都存储在内存里，而是即用即生成。来看看生成器的例子：​​​​​​​

mygenerator = (x*x for x in range(3))
for i in mygenerator:
print(i)

输出和列表推导式一样：​​​​​​​

0

1

4

但注意了，生成器只能使用一次，因为它们会“边用边忘”：计算0后忘记0，计算1后编程客栈忘记1，最后计算4后结束。再用同一个生成器对象做for循环就没有结果了。

yield关键词

说到yield，这是个类似于return的关键词，但它返回的不是一个值，而是一个生成器。看看这个例子：​​​​​​​

def create_generator():
mylist = range(3)
for i in mylist:
yield i*i
mygenerator = create_generator() # 创建一个生成器
print(mygenerxcPYtoFaUator) # mygenerator 是一个生成器对象！

输出是：

<generator object create_generator at 0xb7555c34>

通过for循环遍历这个生成器：​​​​​​​

for i in mygenerator:
print(i)

输出：​​​​​​​

0

1

4

这个例子看起来简单，但它在处理大量数据时特别有用，因为生成器只在需要时生成值，而不是一次性生成所有值然后存储在内存中。

深入理解yield

为了彻底掌握yield，我们需要理解当调用生成器函数时，函数体内的代码并不会立即执行。函数返回的是一个生成器对象，然后你的代码会在每次调用for循环时从上次中断的地方继续执行，直到遇到下一个yield。

第一次调用for循环时，生成器对象会从头开始运行函数中的代码，直到遇到yield，然后返回循环中的第一个值。随后的每次调用都会执行函数中循环的下一次迭代，直到生成器不再有值返回。这可能是因为循环结束了，或者条件不再满足。

来看看一个实际的例子：​

 def _get_child_candidates(self, distance, min_dist, max_dist):
     if self._leftchild and distance - max_dist < self._median:
         yield self._leftch编程客栈ild
     if self._rightchild and distance + max_dist >= self._median:
         yield self._rightchild

这里的代码在每次使用生成器对象时都会被调用：

如果节点对象还有左子节点并且距离合适，返回下一个子节点。

如果节点对象还有右子节点并且距离合适，返回下一php个子节点。

如果没有更多子节点，生成器会被认为是空的。

调用这个生成器的方法如下：​​​​​​​

 result, candidates = list(), [self]
 while candidates:
     node = candidates.pop()
     distance = node._get_dist(obj)
     if distance <= max_dist and distance >= min_dist:
         result.extend(node._values)
     candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))
 return result

这里的代码有几个巧妙之处：

• 循环遍历一个列表，而列表在循环过程中会扩展。这样可以方便地遍历所有嵌套的数据，虽然有些危险，因为可能会陷入无限循环。在这个例子中，candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))用尽生成器的所有值，但while循环不断创建新的生成器对象，因为它们作用在不同的节点上会产生不同的值。
• extend()方法是列表对象的方法，它期望一个可迭代对象，并将其值添加到列表中。通常我们传递一个列表给它，但在代码中，它接收一个生成器，这是个好主意，因为：

• 你不需要读取值两次。
• 你可能有很多子节点，不想全部存储在内存中。

这段代码展示了Python为何如此酷：它不在乎方法的参数是列表还是其他可迭代对象。这种特性叫鸭子类型（duck typing），也是Python灵活性的一个体现。

高级用法

再来看一个更高级的用法——控制生成器的耗尽：​​​​​​​

 class Bank():
     crisis = False
      def create_atm(self):
         while not self.crisis:
              yield "$100"
  hsbc = Bank()
  corner_street_atm = hsbc.create_atm()
  print(next(corner_street_atm)) # 输出 $100
 print(next(corner_street_atm)) # 输出 $100
 print([next(corner_street_atm) for _ in range(5)]) # 输出 ['$100', '$100', '$100', '$100', '$100']
 hsbc.crisis = True
 print(next(corner_street_atm)) # 输出 StopIteration

这里我们模拟了一个ATM机，在银行没有危机时，你可以不断取钱，但一旦危机来了，ATM机就会停止工作，即使是新的ATM机也不能再取钱了。

iphptertools模块

最后，给大家介绍一个非常有用的模块——itertools。这个模块包含了很多操作可迭代对象的特殊函数。如果你曾经希望复制一个生成器、连接两个生成器、用一行代码将值分组到嵌套列表中，或者在不创建另一个列表的情况下使用map和zip，那么就应该导入itertools。

举个例子，我们看看四匹马比赛的可能到达顺序：​​​​​​​

import itertools
horses = [1, 2, 3, 4]
races = itertools.permutations(horses)
print(list(itertools.permutations(horses)))

输出：

[(1, 2, 3, 4), (1, 2, 4, 3), (1, 3, 2, 4), (1, 3, 4, 2), (1, 4, 2, 3), (1, 4, 3, 2), (2, 1, 3, 4), (2, 1, 4, 3), (2, 3, 1, 4), (2, 3, 4, 1), (2, 4, 1, 3), (2, 4, 3, 1), (3, 1, 2, 4), (3, 1, 4, 2), (3, 2, 1, 4), (3, 2, 4, 1), (3, 4, 1, 2), (3, 4, 2, 1), (4, 1, 2, 3), (4, 1, 3, 2), (4, 2, 1, 3), (4, 2, 3, 1), (4, 3, 1, 2), (4, 3, 2, 1)]

itertools模块简直是Python程序员的好伙伴，可以让你在处理迭代对象时如虎添翼。

总结

yield是Python中一个强大的工具，它可以帮助你以一种高效的方式处理大量数据。理解yield的工作原理对于掌握Python编程至关重要。

在大数据时代，处理海量数据已成为常态。生成器作为一种高效的数据处理方式，因其优越的内存管理能力，受到了越来越多开发者的青睐。无论是日志处理、数据流分析，还是实时数据处理，生成器都展现了不可替代的价值。

通过对yield的详解，我们不仅理解了它的基本概念和用法，还认识到它在高效数据处理中的重要性。掌握yield，将为你的Python编程之旅增添一把利器。

到此这篇关于Python 代码中的 yield 关键字到底是什么的文章就介绍到这了,更多相关Python 代码中的 yield 内容请搜索编程客栈(www.devze.com)以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程客栈(www.devze.com)！