Python 中的迭代器

迭代器是 Python 中实现迭代协议的对象允许你逐个访问容器中的元素而无需提前知道容器的内部结构。迭代器是 Python 实现for循环的基础。一、迭代器迭代器是一个实现了迭代器协议的对象即实现了__iter__()和__next__()方法。方法作用__iter__()返回迭代器对象本身__next__()返回下一个元素没有元素时抛出StopIteration可迭代对象 vs 迭代器# 可迭代对象Iterable实现了 __iter__() 方法 # 迭代器Iterator同时实现了 __iter__() 和 __next__() 方法 # 列表是可迭代对象不是迭代器 my_list [1, 2, 3] print(dir(my_list)) # 有 __iter__没有 __next__ # 获取迭代器 iterator iter(my_list) print(dir(iterator)) # 有 __iter__ 和 __next__ # 手动迭代 print(next(iterator)) # 1 print(next(iterator)) # 2 print(next(iterator)) # 3 # print(next(iterator)) # StopIteration二、迭代器的基本使用1. 手动迭代# 使用 iter() 和 next() colors [red, green, blue] iterator iter(colors) print(next(iterator)) # red print(next(iterator)) # green print(next(iterator)) # blue # print(next(iterator)) # StopIteration2. 使用 for 循环自动迭代# for 循环内部自动调用 iter() 和 next() for color in colors: print(color) # 等价于 iterator iter(colors) while True: try: color next(iterator) print(color) except StopIteration: break3. 检测是否可迭代from collections.abc import Iterable, Iterator # 判断是否可迭代 print(isinstance([1, 2, 3], Iterable)) # True print(isinstance(123, Iterable)) # False # 判断是否是迭代器 print(isinstance(iter([1, 2, 3]), Iterator)) # True print(isinstance([1, 2, 3], Iterator)) # False三、自定义迭代器1. 实现迭代器协议class MyRange: 自定义一个类似 range 的迭代器 def __init__(self, start, end): self.current start self.end end def __iter__(self): return self # 返回迭代器对象本身 def __next__(self): if self.current self.end: raise StopIteration value self.current self.current 1 return value # 使用 for num in MyRange(1, 5): print(num) # 1, 2, 3, 4 # 也可以手动迭代 mr MyRange(1, 3) print(next(mr)) # 1 print(next(mr)) # 22. 斐波那契数列迭代器class Fibonacci: 斐波那契数列迭代器 def __init__(self, max_count): self.max_count max_count self.count 0 self.a 0 self.b 1 def __iter__(self): return self def __next__(self): if self.count self.max_count: raise StopIteration if self.count 0: self.count 1 return self.a elif self.count 1: self.count 1 return self.b self.a, self.b self.b, self.a self.b self.count 1 return self.b for num in Fibonacci(10): print(num, end ) # 0 1 1 2 3 5 8 13 21 34四、内置迭代器工具1.enumerate- 带索引的迭代fruits [apple, banana, orange] # enumerate 返回迭代器产生 (index, value) 元组 for i, fruit in enumerate(fruits): print(f{i}: {fruit}) # 指定起始索引 for i, fruit in enumerate(fruits, start1): print(f{i}: {fruit})2.zip- 并行迭代names [Alice, Bob, Charlie] ages [25, 30, 35] scores [85, 92, 78] # zip 返回迭代器产生元组 for name, age, score in zip(names, ages, scores): print(f{name}, {age}岁, {score}分) # 转换为列表 pairs list(zip(names, ages)) print(pairs) # [(Alice, 25), (Bob, 30), (Charlie, 35)]3.map- 映射迭代numbers [1, 2, 3, 4, 5] # map 返回迭代器 squares map(lambda x: x ** 2, numbers) print(list(squares)) # [1, 4, 9, 16, 25] # 多个序列 a [1, 2, 3] b [10, 20, 30] sums map(lambda x, y: x y, a, b) print(list(sums)) # [11, 22, 33]4.filter- 过滤迭代numbers [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] # filter 返回迭代器只保留满足条件的元素 even filter(lambda x: x % 2 0, numbers) print(list(even)) # [2, 4, 6, 8, 10] # 等价于列表推导式 even [x for x in numbers if x % 2 0]5.itertools模块import itertools # 无限迭代器 counter itertools.count(start1, step2) # 1, 3, 5, 7, ... for i, val in zip(range(5), counter): print(val, end ) # 1 3 5 7 9 # 循环迭代器 cycle itertools.cycle([A, B, C]) for i, val in zip(range(6), cycle): print(val, end ) # A B C A B C # 排列组合 perms itertools.permutations([1, 2, 3], 2) print(list(perms)) # [(1,2), (1,3), (2,1), (2,3), (3,1), (3,2)] combs itertools.combinations([1, 2, 3], 2) print(list(combs)) # [(1,2), (1,3), (2,3)]五、迭代器的优势1. 惰性求值节省内存# 传统方式一次性生成所有数据占用大量内存 def get_numbers_traditional(n): result [] for i in range(n): result.append(i ** 2) return result # 迭代器方式逐个生成节省内存 def get_numbers_iterative(n): for i in range(n): yield i ** 2 # 生成器函数返回迭代器 # 处理大规模数据 traditional get_numbers_traditional(1000000) # 占用大量内存 iterative get_numbers_iterative(1000000) # 几乎不占内存2. 处理无限序列# 迭代器可以表示无限序列 def infinite_numbers(): n 0 while True: yield n n 1 # 只取前 10 个 for num in infinite_numbers(): if num 10: break print(num, end ) # 0 1 2 3 4 5 6 7 8 93. 单次遍历numbers [1, 2, 3] iterator iter(numbers) print(list(iterator)) # [1, 2, 3] print(list(iterator)) # []迭代器已耗尽六、迭代器 vs 序列对比特性序列list, tuple迭代器Iterator内存占用大存储所有元素小一次只存一个访问方式随机访问索引顺序访问next遍历次数可多次遍历只能遍历一次无限序列不支持支持适用场景数据量小、需要随机访问数据量大、只需遍历一次七、常见错误1. 迭代器一次性numbers [1, 2, 3] it iter(numbers) print(sum(it)) # 6 print(sum(it)) # 0迭代器已耗尽 # 解决方案重新创建迭代器 it iter(numbers) print(list(it)) # [1, 2, 3]2. 修改容器时迭代# 错误迭代时修改容器 numbers [1, 2, 3, 4, 5] for num in numbers: if num % 2 0: numbers.remove(num) # 可能导致跳过元素 print(numbers) # [1, 3, 5]看似正确但行为不确定 # 正确迭代副本 for num in numbers[:]: # 使用切片副本 if num % 2 0: numbers.remove(num) # 正确使用列表推导式 numbers [num for num in numbers if num % 2 ! 0]八、生成器迭代器的简便实现生成器是使用yield关键字创建迭代器的简便方式。# 生成器函数 def my_range(n): i 0 while i n: yield i i 1 for num in my_range(5): print(num, end ) # 0 1 2 3 4 # 生成器表达式 squares (x ** 2 for x in range(10)) print(type(squares)) # class generator # 生成器与列表推导式的区别 list_comp [x ** 2 for x in range(10)] # 列表立即计算 gen_exp (x ** 2 for x in range(10)) # 生成器惰性计算其他概念关键方法特点可迭代对象__iter__()可以被iter()转换为迭代器迭代器__iter__()__next__()支持next()调用生成器yield用函数语法创建迭代器生成器表达式(x for x in ...)类似列表推导式惰性求值核心要点迭代器通过__iter__和__next__实现for循环自动处理迭代器的StopIteration迭代器惰性求值节省内存迭代器只能遍历一次生成器是创建迭代器的简便方式