切片
在很多编程语言中,针对字符串提供了很多各种截取函数（例如,substring）,其实目的就是对字符串切片.Python没有针对字符串的截取函数,只需要切片一个操作就可以完成,非常简单.
Python针对所有需要截取的操作,统一都用切片操作来处理,比如对list,tuple元素的截取,对string的字符截取,都可以用切片操作来完成.
[1,2,3,4,5] [0:5]
(0, 1, 2, 3, 4, 5)[:3]
'string'[1:3]
迭代
对于给定一个list或tuple,可以通过for循环来遍历这个list或tuple,这种遍历在被称为迭代（Iteration）.
而Python OC Swift等语言支持 for … in 循环遍历, Java 是 for X : X 这种类型,其实本质上都一样,只是语言规则形式上的区别,而 C 语言中的迭代要溯源于for循环的下标循环
for (i=0; i<list.length; i++)
{
// 处理操作
}
在Python中,对于list和tuple这种带下标顺序的数据结构类型无疑是可以迭代的,Python同样支持无下标的一些数据结构比如Python中的dict, 其实意味着dict对于Python而言是一个可迭代的对象,OC和Swift以及Java其实对字典亦或是Map的操作处理都具有类似的迭代功能;
而对于字符串处理的其他语言可能实现迭代较为繁琐,需要先转化一下在进行迭代操作,而Python有直接操作的兼容性,其实本质上都是做了转化处理;相反的Python反而想做下标循环遍历要比C/OC/Swift/Java等要困难;
小结
但是Python的思想是想告诉使用者,但凡遇到了一串,一堆的东西的时候,首先它都是可以当成一个容器的结构去处理的;
Python对这些的处理总有一种化繁为简的操作,处理都使用同样的接口和同样的API来处理不同的数据结构;
迭代的思想如此,切片的思想也是如此;
在Python中,任何可迭代对象都可以作用于for循环,包括自定义的数据类型,只要符合迭代条件,就可以使用for循环.
Tips:如何判断一个对象是可迭代对象?方法是通过collections模块的Iterable类型判断:
>>> from collections import Iterable
>>> isinstance('abc', Iterable) # str是否可迭代
True
>>> isinstance([1,2,3], Iterable) # list是否可迭代
True
>>> isinstance(123, Iterable) # 整数是否可迭代
False
列表生成式
Python内置的非常简单却强大的可以用来创建list的生成式;
例如:要生成list [1, 2, 3, 4, 5, 6, 7, 8, 9, 10];
>>> list(range(1, 11))
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
例如:要生成[1x1, 2x2, 3x3, …, 10x10];
方法一:(用循环,但是比较繁琐)
>>> L = []
>>> for x in range(1, 11):
... L.append(x * x)
...
>>> L
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
方法二:
>>> [x * x for x in range(1, 11)]
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
写列表生成式时,把要生成的元素x * x放到前面,后面跟for循环,就可以把list创建出来.此外,for循环后面还可以加上if判断,这样我们就可以筛选出仅偶数的平方,比如
>>> [x * x for x in range(1, 11) if x % 2 == 0]
[4, 16, 36, 64, 100]
还可以使用两层循环,可以生成全排列:
>>> [m + n for m in 'ABC' for n in 'XYZ']
['AX', 'AY', 'AZ', 'BX', 'BY', 'BZ', 'CX', 'CY', 'CZ']
列表生成式也可以使用两个变量来生成list:
>>> d = {'x': 'A', 'y': 'B', 'z': 'C' }
>>> [k + '=' + v for k, v in d.items()]
['y=B', 'x=A', 'z=C']
最后把一个list中所有的字符串变成小写:
>>> L = ['Hello', 'World', 'IBM', 'apple']
>>> [s.lower() for s in L]
['hello', 'world', 'ibm', 'apple']
使用内建的isinstance函数可以判断一个变量是不是字符串:
>>> x = 'abc'
>>> y = 123
>>> isinstance(x, str)
True
>>> isinstance(y, str)
False
小结
Python的语法对矩阵的表示太友好了.
生成器
通过列表生成式,可以直接创建一个列表.但是,受到内存限制,列表容量肯定是有限.假如创建一个包含100万个元素的列表,不仅占用很大的存储空间,如果我们仅仅需要访问前面几个元素,那后面绝大多数元素占用的空间都白白浪费了.
如果列表元素可以按照某种算法推算出来,那我们是否可以在循环的过程中不断推算出后续的元素呢?这样就不必创建完整的list,从而节省大量的空间.
在Python中,这种一边循环一边计算的机制,称为生成器:generator.
创建生成器方法
方法一:有个简单的方法,把一个列表生成式的[]改成(),就创建了一个生成器
>>> L = [x * x for x in range(10)]
>>> L
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
>>> g = (x * x for x in range(10))
>>> g
其中L是一个列表,而g是一个生成器;
一般情况下,我们可以直接打印出List,而生成器要用何方法打印呢?可以用next()函数;
>>> next(g)
0
>>> next(g)
1
>>> next(g)
4
>>> next(g)
9
>>> next(g)
16
>>> next(g)
25
>>> next(g)
36
>>> next(g)
49
>>> next(g)
64
>>> next(g)
81
>>> next(g)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration
为何每次都只打印一个值的原因是:generator保存的是算法,每次调用next(g),就计算出g的下一个元素的值,直到计算到最后一个元素,没有更多的元素时,抛出StopIteration的错误.所以是符合我们之前对generator的定义和最初要求的.
当然逐个打印出来的方法显得略笨,同样可以用for循环来操作打印
>>> g = (x * x for x in range(10))
>>> for n in g:
... print(n)
...
0
1
4
9
16
25
36
49
64
81
对于generator来说,如果推算的算法比较复杂,用类似列表生成式的for循环无法实现的时候,还可以用函数来实现.
这里有个典型的例子:
斐波拉契数列函数如下
def fib(max):
n, a, b = 0, 0, 1
while n < max:
print(b)
a, b = b, a + b #这一句相当于下面的注释的三句代码
#t = (b, a + b) # t是一个tuple
#a = t[0]
#b = t[1]
n = n + 1
return 'done'
fib函数实际上是定义了斐波拉契数列的推算规则,可以从第一个元素开始,推算出后续任意的元素,这其实非常类似generator的思想,且达到了generator的意义;
对于另一种生成器的创建方法就是:改写函数,当一个函数中含有关键字yield的时候,那么这个函数就不是一个普通函数,值得注意的是generator和函数的区别:函数是顺序执行,遇到return语句或者最后一行函数语句就返回.而generator函数,在每次调用next()的时候执行,遇到yield语句返回,再次执行时从上次返回的yield语句处继续执行.
def fib(max):
n, a, b = 0, 0, 1
while n < max:
yield b
a, b = b, a + b #这一句相当于下面的注释的三句代码
#t = (b, a + b) # t是一个tuple
#a = t[0]
#b = t[1]
n = n + 1
return 'done'
用for循环调用generator时,如果拿不到generator的return语句的返回值,且又想要拿到返回值,那就需要捕获StopIteration错误,返回值包含在StopIteration的value中;
>>> g = fib(6)
>>> while True:
... try:
... x = next(g)
... print('g:', x)
... except StopIteration as e:
... print('Generator return value:', e.value)
... break
...
g: 1
g: 1
g: 2
g: 3
g: 5
g: 8
Generator return value: done
小结
在Python中,可以简单地把列表生成式改成generator,也可以通过函数实现复杂逻辑的generator.
要理解generator的工作原理,它是在for循环的过程中不断计算出下一个元素,并在适当的条件结束for循环.对于函数改成的generator来说,遇到return语句或者执行到函数体最后一行语句,就是结束generator的指令,for循环随之结束.
迭代器
直接作用于for循环的数据类型有以下几种：
一类是集合数据类型,如list、tuple、dict、set、str等;
一类是generator,包括生成器和带yield的generator function.
这些可以直接作用于for循环的对象统称为可迭代对象:Iterable.
>>> from collections import Iterable
>>> isinstance([], Iterable)
True
>>> isinstance({}, Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance((x for x in range(10)), Iterable)
True
>>> isinstance(100, Iterable)
False
生成器不但可以作用于for循环,还可以被next()函数不断调用并返回下一个值,直到最后抛出StopIteration错误表示无法继续返回下一个值了.
可以被next()函数调用并不断返回下一个值的对象称为迭代器:Iterator.
可以使用isinstance()判断一个对象是否是Iterator对象.
>>> from collections import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True
>>> isinstance([], Iterator)
False
>>> isinstance({}, Iterator)
False
>>> isinstance('abc', Iterator)
False
生成器都是Iterator对象,但list、dict、str虽然是Iterable(可迭代的),却不是Iterator(迭代器).
但是要把list、dict、str等Iterable变成Iterator可以使用iter()函数:
>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter('abc'), Iterator)
True
因为Python的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.可以把这个数据流看做是一个有序序列,但我们却不能提前知道序列的长度,只能不断通过next()函数实现按需计算下一个数据,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会计算.
Iterator甚至可以表示一个无限大的数据流,例如全体自然数.而使用list是永远不可能存储全体自然数的.
小结
凡是可作用于for循环的对象都是Iterable类型;
凡是可作用于next()函数的对象都是Iterator类型,它们表示一个惰性计算的序列;
集合数据类型如list、dict、str等是Iterable但不是Iterator,不过可以通过iter()函数获得一个Iterator对象.
Python的for循环本质上就是通过不断调用next()函数实现的,例如:
for x in [1, 2, 3, 4, 5]:
pass
等价于：
# 首先获得Iterator对象:
it = iter([1, 2, 3, 4, 5])
# 循环:
while True:
try:
# 获得下一个值:
x = next(it)
except StopIteration:
# 遇到StopIteration就退出循环
break
