it-swarm.cn

“yield”关键字有什么作用?

Python中yield关键字的用途是什么?它有什么作用?

例如,我正在尝试理解这段代码 1

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

这是来电者:

result, candidates = [], [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

调用方法_get_child_candidates时会发生什么?列表是否返回?单个元素?它又被召唤了吗?后续通话何时停止?


这段代码是由Jochen Schulz(jrschulz)编写的,他为度量空间创建了一个很棒的Python库。这是完整源代码的链接: 模块mspace

9208
Alex. S.

要了解yield的作用,您必须了解generators是什么。在生成器来之前iterables

Iterables

创建列表时,您可以逐个阅读其项目。逐个读取它的项称为迭代:

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

mylist可迭代。当您使用列表推导时,您创建一个列表,因此是一个可迭代的:

>>> mylist = [x*x for x in range(3)]
>>> for i in mylist:
...    print(i)
0
1
4

您可以使用“for... in...”的所有内容都是可迭代的; listsstrings,文件......

这些迭代很方便,因为您可以根据需要阅读它们,但是您将所有值存储在内存中,当您拥有大量值时,这并不总是您想要的。

发电机

生成器是迭代器,一种可迭代的 你只能迭代一次 。生成器不会将所有值存储在内存中, 它们会动态生成值

>>> mygenerator = (x*x for x in range(3))
>>> for i in mygenerator:
...    print(i)
0
1
4

除了使用()而不是[]之外,它是一样的。但是,你 不能 /再次执行for i in mygenerator,因为生成器只能使用一次:它们计算0,然后忘记它并计算1,然后逐个结束计算4。

产量

yield是一个像return一样使用的关键字,但该函数将返回一个生成器。

>>> def createGenerator():
...    mylist = range(3)
...    for i in mylist:
...        yield i*i
...
>>> mygenerator = createGenerator() # create a generator
>>> print(mygenerator) # mygenerator is an object!
<generator object createGenerator at 0xb7555c34>
>>> for i in mygenerator:
...     print(i)
0
1
4

这是一个无用的例子,但是当你知道你的函数将返回一组你只需要阅读一次的大量值时它会很方便。

要掌握yield,您必须理解 当您调用函数时,您在函数体中编写的代码不会运行。 该函数只返回生成器对象,这有点棘手:-)

然后,每次for使用生成器时,您的代码将从它停止的位置继续。

现在困难的部分:

第一次for调用从函数创建的生成器对象时,它将从头开始运行函数中的代码,直到它到达yield,然后它将返回循环的第一个值。然后,每个其他调用将再次运行您在函数中写入的循环,并返回下一个值,直到没有值返回。

一旦函数运行,生成器被认为是空的,但不再命中yield。这可能是因为循环已经结束,或者因为你不再满足"if/else"


你的代码解释了

发电机:

# Here you create the method of the node object that will return the generator
def _get_child_candidates(self, distance, min_dist, max_dist):

    # Here is the code that will be called each time you use the generator object:

    # If there is still a child of the node object on its left
    # AND if distance is ok, return the next child
    if self._leftchild and distance - max_dist < self._median:
        yield self._leftchild

    # If there is still a child of the node object on its right
    # AND if distance is ok, return the next child
    if self._rightchild and distance + max_dist >= self._median:
        yield self._rightchild

    # If the function arrives here, the generator will be considered empty
    # there is no more than two values: the left and the right children

呼叫者:

# Create an empty list and a list with the current object reference
result, candidates = list(), [self]

# Loop on candidates (they contain only one element at the beginning)
while candidates:

    # Get the last candidate and remove it from the list
    node = candidates.pop()

    # Get the distance between obj and the candidate
    distance = node._get_dist(obj)

    # If distance is ok, then you can fill the result
    if distance <= max_dist and distance >= min_dist:
        result.extend(node._values)

    # Add the children of the candidate in the candidates list
    # so the loop will keep running until it will have looked
    # at all the children of the children of the children, etc. of the candidate
    candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))

return result

此代码包含几个智能部分:

  • 循环在列表上迭代,但是循环迭代时列表会扩展:-)这是一种简单的方法来遍历所有这些嵌套数据,即使它有点危险,因为你最终可以得到一个无限循环。在这种情况下,candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))会耗尽生成器的所有值,但while会不断创建新的生成器对象,这些对象将生成与之前的值不同的值,因为它不应用于同一节点。

  • extend()方法是一个列表对象方法,它需要一个iterable并将其值添加到列表中。

通常我们将列表传递给它:

>>> a = [1, 2]
>>> b = [3, 4]
>>> a.extend(b)
>>> print(a)
[1, 2, 3, 4]

但是在你的代码中它得到了一个生成器,这很好,因为:

  1. 您不需要两次读取值。
  2. 您可能有很多孩子,并且您不希望它们都存储在内存中。

它的工作原理是因为Python不关心方法的参数是否是列表。 Python期望iterables所以它将适用于字符串,列表,元组和生成器!这叫做鸭子打字,这也是Python如此酷的原因之一。但这是另一个故事,另一个问题......

你可以在这里停下来,或者阅读一下看看发电机的高级用途:

控制发电机的耗尽

>>> class Bank(): # Let's create a bank, building ATMs
...    crisis = False
...    def create_atm(self):
...        while not self.crisis:
...            yield "$100"
>>> hsbc = Bank() # When everything's ok the ATM gives you as much as you want
>>> corner_street_atm = hsbc.create_atm()
>>> print(corner_street_atm.next())
$100
>>> print(corner_street_atm.next())
$100
>>> print([corner_street_atm.next() for cash in range(5)])
['$100', '$100', '$100', '$100', '$100']
>>> hsbc.crisis = True # Crisis is coming, no more money!
>>> print(corner_street_atm.next())
<type 'exceptions.StopIteration'>
>>> wall_street_atm = hsbc.create_atm() # It's even true for new ATMs
>>> print(wall_street_atm.next())
<type 'exceptions.StopIteration'>
>>> hsbc.crisis = False # The trouble is, even post-crisis the ATM remains empty
>>> print(corner_street_atm.next())
<type 'exceptions.StopIteration'>
>>> brand_new_atm = hsbc.create_atm() # Build a new one to get back in business
>>> for cash in brand_new_atm:
...    print cash
$100
$100
$100
$100
$100
$100
$100
$100
$100
...

注意: 对于Python 3,使用print(corner_street_atm.__next__())print(next(corner_street_atm))

它可用于控制对资源的访问等各种事物。

Itertools,你最好的朋友

Itertools模块包含操作iterables的特殊函数。曾经希望复制一台发电机吗?链两台发电机?使用单行分组嵌套列表中的值? Map / Zip没有创建另一个列表?

然后只需import itertools

一个例子?让我们来看看四匹马比赛的可能到达顺序:

>>> horses = [1, 2, 3, 4]
>>> races = itertools.permutations(horses)
>>> print(races)
<itertools.permutations object at 0xb754f1dc>
>>> print(list(itertools.permutations(horses)))
[(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)]

理解迭代的内在机制

迭代是一个暗示迭代(实现__iter__()方法)和迭代器(实现__next__()方法)的过程。[。_____。] Iterables是你可以从中获取迭代器的任何对象。迭代器是允许您迭代迭代的对象。

本文中有关于 for循环如何工作的更多信息

13125
e-satis

Grokking的快捷方式yield

当您看到带有yield语句的函数时,应用这个简单的技巧来了解将会发生什么:

  1. 在函数的开头插入一行result = []
  2. result.append(expr)替换每个yield expr
  3. 在函数底部插入一行return result
  4. 耶 - 没有yield陈述!阅读并找出代码。
  5. 将功能与原始定义进行比较.

这个技巧可以让你了解函数背后的逻辑,但yield实际发生的情况与基于列表的方法中发生的情况明显不同。在许多情况下,yield方法将更高效,更快。在其他情况下,即使原始函数工作得很好,这个技巧也会让你陷入无限循环。请继续阅读以了解更多信息...

不要混淆您的Iterables,Iterators和Generators

首先, 迭代器协议 - 当你写

for x in mylist:
    ...loop body...

Python执行以下两个步骤:

  1. 获取mylist的迭代器:

    调用iter(mylist) - >这将返回一个带有next()方法的对象(或Python 3中的__next__())。

    [这是大多数人忘记告诉你的步骤]

  2. 使用迭代器循环遍历项目:

    继续在步骤1返回的迭代器上调用next()方法。将next()的返回值赋给x并执行循环体。如果从next()中引发异常StopIteration,则表示迭代器中没有更多值,并且退出循环。

事实上,Python在任何时候想要循环对象的内容时执行上述两个步骤 - 所以它可能是一个for循环,但它也可能是像otherlist.extend(mylist)这样的代码(其中otherlist是一个Python列表)。

这里mylistiterable,因为它实现了迭代器协议。在用户定义的类中,您可以实现__iter__()方法以使类的实例可迭代。此方法应返回iterator。迭代器是一个带next()方法的对象。可以在同一个类上实现__iter__()next(),并使__iter__()返回self。这适用于简单的情况,但是当您希望两个迭代器同时循环遍历同一个对象时。

所以这是迭代器协议,许多对象实现了这个协议:

  1. 内置列表,词典,元组,集,文件。
  2. 用户定义的实现__iter__()的类。
  3. 发电机。

请注意,for循环不知道它正在处理什么类型的对象 - 它只是遵循迭代器协议,并且很高兴在项目之后获取项目,因为它调用next()。内置列表逐个返回它们的项目,字典逐个返回keys,文件一个接一个地返回lines等。生成器返回......那就是yield所在的位置:

def f123():
    yield 1
    yield 2
    yield 3

for item in f123():
    print item

而不是yield语句,如果在f123()中有三个return语句,则只会执行第一个语句,并且该函数将退出。但f123()不是普通的功能。当f123()被调用时,不会返回yield语句中的任何值!它返回一个生成器对象。此外,该功能并没有真正退出 - 它进入暂停状态。当for循环尝试遍历生成器对象时,该函数在之前返回的yield之后的最后一行从其挂起状态恢复,执行下一行代码,在本例中为yield语句,并将其返回为下一个项目。这将在函数退出之前发生,此时生成器引发StopIteration,并且循环退出。 

所以生成器对象有点像适配器 - 在一端它展示了迭代器协议,通过暴露__iter__()next()方法来保持for循环满意。然而,在另一端,它运行该功能足以从中获取下一个值,并将其重新置于挂起模式。

为什么要使用发电机?

通常,您可以编写不使用生成器但实现相同逻辑的代码。一种选择是使用我之前提到的临时列表'技巧'。这并不适用于所有情况,例如如果你有无限循环,或者当你有一个很长的列表时它可能会低效地使用内存。另一种方法是实现一个新的可迭代类SomethingIter,它在实例成员中保持状态,并在其next()(或Python 3中的__next__())方法中执行下一个逻辑步骤。根据逻辑,next()方法中的代码可能看起来非常复杂并且容易出错。这里的发电机提供了一个简洁的解决方案.

1751
user28409

想一想:

对于具有next()方法的对象,迭代器只是一个奇特的声音术语。因此,屈服函数最终会像这样:

原始版本:

def some_function():
    for i in xrange(4):
        yield i

for i in some_function():
    print i

这基本上是Python解释器对上面代码的处理:

class it:
    def __init__(self):
        # Start at -1 so that we get 0 when we add 1 below.
        self.count = -1

    # The __iter__ method will be called once by the 'for' loop.
    # The rest of the magic happens on the object returned by this method.
    # In this case it is the object itself.
    def __iter__(self):
        return self

    # The next method will be called repeatedly by the 'for' loop
    # until it raises StopIteration.
    def next(self):
        self.count += 1
        if self.count < 4:
            return self.count
        else:
            # A StopIteration exception is raised
            # to signal that the iterator is done.
            # This is caught implicitly by the 'for' loop.
            raise StopIteration

def some_func():
    return it()

for i in some_func():
    print i

为了更深入地了解幕后发生的事情,可以将for循环重写为:

iterator = some_func()
try:
    while 1:
        print iterator.next()
except StopIteration:
    pass

这更有意义还是让你更加迷惑? :)

我应该注意到这个为了说明的目的过于简单化了。 :)

445
Jason Baker

yield关键字简化为两个简单的事实:

  1. 如果编译器在函数内部检测到yield关键字anywhere,则该函数不再通过return语句返回。相反,它 立即 返回一个 懒惰的“挂起列表”对象 称为生成器
  2. 生成器是可迭代的。什么是可迭代?它类似于listsetrange或dict-view,带有用于按特定顺序访问每个元素的内置协议

简而言之: 生成器是一个惰性的,递增挂起的列表 ,和yield语句允许您使用函数表示法来编写列表值 生成器应该逐渐吐出。

generator = myYieldingFunction(...)
x = list(generator)

   generator
       v
[x[0], ..., ???]

         generator
             v
[x[0], x[1], ..., ???]

               generator
                   v
[x[0], x[1], x[2], ..., ???]

                       StopIteration exception
[x[0], x[1], x[2]]     done

list==[x[0], x[1], x[2]]

让我们定义一个函数makeRange,就像Python的range一样。调用makeRange(n)返回发生器:

def makeRange(n):
    # return 0,1,2,...,n-1
    i = 0
    while i < n:
        yield i
        i += 1

>>> makeRange(5)
<generator object makeRange at 0x19e4aa0>

要强制生成器立即返回其挂起值,可以将其传递给list()(就像任何可迭代的一样):

>>> list(makeRange(5))
[0, 1, 2, 3, 4]

比较“只返回列表”的示例

上面的例子可以被认为只是创建一个你追加并返回的列表:

# list-version                   #  # generator-version
def makeRange(n):                #  def makeRange(n):
    """return [0,1,2,...,n-1]""" #~     """return 0,1,2,...,n-1"""
    TO_RETURN = []               #>
    i = 0                        #      i = 0
    while i < n:                 #      while i < n:
        TO_RETURN += [i]         #~         yield i
        i += 1                   #          i += 1  ## indented
    return TO_RETURN             #>

>>> makeRange(5)
[0, 1, 2, 3, 4]

但是有一个主要的区别;见最后一节。


你如何使用发电机

可迭代是列表推导的最后一部分,并且所有生成器都是可迭代的,因此它们经常被使用:

#                   _ITERABLE_
>>> [x+10 for x in makeRange(5)]
[10, 11, 12, 13, 14]

为了更好地了解生成器,您可以使用itertools模块(确保在保证时使用chain.from_iterable而不是chain)。例如,您甚至可以使用生成器来实现无限长的惰性列表,例如itertools.count()。您可以实现自己的def enumerate(iterable): Zip(count(), iterable),或者在while循环中使用yield关键字来实现。

请注意:生成器实际上可以用于更多的东西,例如 实现协程 或非确定性编程或其他优雅的东西。但是,我在这里提出的“懒惰列表”观点是您会发现的最常见的用途。


在幕后

这就是“Python迭代协议”的工作原理。也就是说,当你执行list(makeRange(5))时会发生什么。这就是我之前描述的“懒惰的增量列表”。

>>> x=iter(range(5))
>>> next(x)
0
>>> next(x)
1
>>> next(x)
2
>>> next(x)
3
>>> next(x)
4
>>> next(x)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration

内置函数next()只调用对象.next()函数,它是“迭代协议”的一部分,可以在所有迭代器上找到。您可以手动使用next()函数(以及迭代协议的其他部分)来实现奇特的东西,通常以牺牲可读性为代价,因此尽量避免这样做......


细节

通常情况下,大多数人不会关心以下区别,可能想在这里停止阅读。

在Python中,iterable是任何“理解for循环的概念”的对象,如列表[1,2,3],而iterator是所请求的特定实例 - 循环像[1,2,3].__iter__()generator与任何迭代器完全相同,除了它的编写方式(使用函数语法)。

当您从列表中请求迭代器时,它会创建一个新的迭代器。但是,当您从迭代器(您很少这样做)请求迭代器时,它只会为您提供自身的副本。

因此,万一你没有做到这样的事情......

> x = myRange(5)
> list(x)
[0, 1, 2, 3, 4]
> list(x)
[]

...然后记住生成器是迭代器;也就是说,它是一次性的。如果要重复使用它,则应再次调用myRange(...)。如果需要使用结果两次,请将结果转换为列表并将其存储在变量x = list(myRange(5))中。那些绝对需要克隆生成器的人(例如,谁正在做可怕的hackish元编程)可以使用 itertools.tee 如果绝对必要,因为可复制的迭代器Python _ pep _ 标准提议已被推迟。

380
ninjagecko

yield就像return - 它返回你告诉它的任何东西(作为生成器)。区别在于下次调用生成器时,执行从最后一次调用yield语句开始。与return不同, 在产生收益时不清除堆栈帧,但是控制权被转移回调用者,因此其状态将在下次调用函数时恢复。

对于代码,函数get_child_candidates的作用类似于迭代器,因此当您扩展列表时,它会一次向新列表添加一个元素。

list.extend调用迭代器直到它耗尽。对于您发布的代码示例,只返回一个元组并将其附加到列表中会更加清晰。

260
Douglas Mayle

还有一件事需要提及:一个实际上不必终止收益的函数。我编写了这样的代码:

def fib():
    last, cur = 0, 1
    while True: 
        yield cur
        last, cur = cur, last + cur

然后我可以在其他代码中使用它,如下所示:

for f in fib():
    if some_condition: break
    coolfuncs(f);

它确实有助于简化一些问题,并使一些事情更容易使用。 

199
Claudiu

对于那些喜欢最小工作示例的人,请冥想这个交互式 Python session:

>>> def f():
...   yield 1
...   yield 2
...   yield 3
... 
>>> g = f()
>>> for i in g:
...   print i
... 
1
2
3
>>> for i in g:
...   print i
... 
>>> # Note that this time nothing was printed
171
Daniel

TL; DR

而不是这个:

def square_list(n):
    the_list = []                         # Replace
    for x in range(n):
        y = x * x
        the_list.append(y)                # these
    return the_list                       # lines

做这个:

def square_yield(n):
    for x in range(n):
        y = x * x
        yield y                           # with this one.

每当你发现自己从头开始构建一个列表时,每个部分都会yield。 

这是我收益率的第一个“啊哈”时刻。


yield含糖的 说的方式 

建立一系列的东西

相同的行为:

>>> for square in square_list(4):
...     print(square)
...
0
1
4
9
>>> for square in square_yield(4):
...     print(square)
...
0
1
4
9

不同的行为:

Yield是single-pass:你只能迭代一次。当函数有一个yield时,我们将其称为 生成器函数 。并且 迭代器 是它返回的内容。这些条款很有启发性。我们失去了容器的便利性,但是获得了根据需要计算的系列的能力,并且任意长。

产量是lazy,它会推迟计算。一个函数,其中有一个yield 当你调用它时实际上根本不执行。它返回一个 迭代器对象 它记住它停止的位置。每次在迭代器上调用next()(这发生在for循环中)执行时,前进到下一个yield。 return引发StopIteration并结束系列(这是for循环的自然结束)。

收益率是多才多艺的。数据不必一起存储,可以一次提供一个。它可以是无限的。

>>> def squares_all_of_them():
...     x = 0
...     while True:
...         yield x * x
...         x += 1
...
>>> squares = squares_all_of_them()
>>> for _ in range(4):
...     print(next(squares))
...
0
1
4
9

如果你需要multiple pass并且系列不太长,只需在它上面调用list()

>>> list(square_yield(4))
[0, 1, 4, 9]

这个词的辉煌选择yield因为 两个意思 适用:

yield - 生产或提供(如农业)

...提供系列中的下一个数据。

yield - 放弃或放弃(如政治权力)

...放弃CPU执行直到迭代器前进。

160
Bob Stein

产量为您提供发电机。 

def get_odd_numbers(i):
    return range(1, i, 2)
def yield_odd_numbers(i):
    for x in range(1, i, 2):
       yield x
foo = get_odd_numbers(10)
bar = yield_odd_numbers(10)
foo
[1, 3, 5, 7, 9]
bar
<generator object yield_odd_numbers at 0x1029c6f50>
bar.next()
1
bar.next()
3
bar.next()
5

如您所见,在第一种情况下,foo会立即将整个列表保存在内存中。对于包含5个元素的列表来说,这不是什么大问题,但是如果你想要一个500万的列表怎么办?这不仅是一个巨大的内存消耗者,而且在调用函数时也需要花费大量时间来构建。在第二种情况下,bar只给你一个发电机。生成器是可迭代的 - 这意味着您可以在for循环等中使用它,但每个值只能被访问一次。所有值也不会同时存储在内存中;生成器对象“记住”上次调用它时循环的位置 - 这样,如果你使用一个可迭代(比方说)计数到500亿,你就不必数到500亿全部立即存储500亿个数字。同样,这是一个非常人为的例子,如果你真的想要数到500亿,你可能会使用itertools。 :)

这是生成器最简单的用例。正如你所说,它可以用来编写有效的排列,使用yield来通过调用堆栈向上推送而不是使用某种堆栈变量。生成器也可以用于专门的树遍历,以及其他各种方式。

148
RBansal

它正在返回一台发电机。我对Python并不是特别熟悉,但我相信它和 C#的迭代器块一样 如果你熟悉那些。

关键的想法是编译器/解释器/什么做了一些欺骗,所以就调用者而言,他们可以继续调用next()并且它将保持返回值 - 就像生成器方法被暂停一样 。现在显然你不能真正“暂停”一个方法,所以编译器会建立一个状态机,让你记住你当前的位置以及局部变量等。这比自己编写迭代器容易得多。

145
Jon Skeet

在描述如何使用发电机的许多重要答案中,有一种我认为尚未给出的答案。这是编程语言理论的答案:

Python中的yield语句返回一个生成器。 Python中的生成器是一个返回的函数 延续 (特别是一种协程,但是延续代表了理解正在发生的事情的更一般的机制)。

编程语言理论的延续是一种更为基础的计算,但它们并不经常使用,因为它们极难推理并且也很难实现。但是延续的概念是直截了当的:它是尚未完成的计算状态。在此状态下,将保存变量的当前值,尚未执行的操作等。然后在程序的某个时刻,可以调用continuation,以便程序的变量重置为该状态,并执行保存的操作。

以这种更一般的形式,可以以两种方式实现继续。在call/cc方式中,程序的堆栈实际上已保存,然后在调用continuation时,堆栈将被恢复。

在连续传递样式(CPS)中,continuation只是普通函数(仅在函数是第一类的语言中),程序员明确地管理它并传递给子例程。在这种风格中,程序状态由闭包(以及碰巧在其中编码的变量)表示,而不是驻留在堆栈中某处的变量。管理控制流的函数接受继续作为参数(在CPS的某些变体中,函数可以接受多个延续)并通过简单地调用它们并在之后返回来调用它们来操纵控制流。延续传递风格的一个非常简单的例子如下:

def save_file(filename):
  def write_file_continuation():
    write_stuff_to_file(filename)

  check_if_file_exists_and_user_wants_to_overwrite(write_file_continuation)

在这个(非常简单的)示例中,程序员将实际写入文件的操作保存到一个延续中(这可能是一个非常复杂的操作,需要写出许多细节),然后传递该延续(即,作为第一个 - class closure)到另一个执行更多处理的运算符,然后在必要时调用它。 (我在实际的GUI编程中经常使用这种设计模式,因为它节省了我的代码行,或者更重要的是,在GUI事件触发后管理控制流。)

在不失一般性的情况下,本文的其余部分将继续概念化为CPS,因为它更容易理解和阅读。


现在让我们来谈谈Python中的生成器。生成器是延续的特定子类型。而continuations通常能够保存计算的状态(即程序的调用堆栈),generators只能将迭代状态保存在迭代器)上。虽然这个定义对于某些发电机的使用情况略有误导。例如:

def f():
  while True:
    yield 4

这显然是一个合理的迭代,其行为很明确 - 每次生成器迭代它,它返回4(并且永远这样做)。但是在考虑迭代器(即for x in collection: do_something(x))时,它可能不是想到的典型迭代类型。这个例子说明了生成器的强大功能:如果有任何东西是迭代器,生成器可以保存它的迭代状态。

重申:Continuations可以保存程序堆栈的状态,生成器可以保存迭代状态。这意味着continuation比生成器更强大,但生成器也很多,更容易。它们对于语言设计者来说更容易实现,并且程序员更容易使用它们(如果你有时间刻录,尝试阅读和理解 这个页面关于continuation和call/cc )。

但是您可以轻松地将生成器实现(并概念化)为继续传递样式的简单特定情况:

每当调用yield时,它会告诉函数返回一个延续。再次调用该函数时,它从它停止的任何地方开始。因此,在伪伪代码(即非伪代码,而不是代码)中,生成器的next方法基本如下:

class Generator():
  def __init__(self,iterable,generatorfun):
    self.next_continuation = lambda:generatorfun(iterable)

  def next(self):
    value, next_continuation = self.next_continuation()
    self.next_continuation = next_continuation
    return value

其中yield关键字实际上是真正的生成器函数的语法糖,基本上类似于:

def generatorfun(iterable):
  if len(iterable) == 0:
    raise StopIteration
  else:
    return (iterable[0], lambda:generatorfun(iterable[1:]))

请记住,这只是伪代码,Python中生成器的实际实现更复杂。但是,作为一个理解正在发生的事情的练习,尝试使用延续传递样式来实现生成器对象而不使用yield关键字。

134
aestrivex

这是一个简单语言的例子。我将提供高级人类概念与低级Python概念之间的对应关系。

我想操作一系列数字,但我不想因为创建该序列而烦扰我自己,我只想专注于我想要做的操作。所以,我做了以下事情:

  • 我打电话给你,告诉你我想要一个以特定方式产生的数字序列,我告诉你算法是什么。 
    该步骤对应于defin生成器函数,即包含yield的函数。
  • 过了一会儿,我告诉你,“好的,准备告诉我数字的顺序”。 
    此步骤对应于调用返回生成器对象的生成器函数。 请注意,你还没有告诉我任何数字;你抓住你的纸和铅笔。
  • 我问你,“告诉我下一个号码”,你告诉我第一个号码;之后,你等我问你下一个号码。这是你的工作,要记住你在哪里,你已经说过什么数字,以及下一个数字是什么。我不关心细节。 
    此步骤对应于在生成器对象上调用.next()
  • ...重复上一步,直到......
  • 最终,你可能会走到尽头。你没告诉我一个号码;你只是喊道,“抓住你的马!我已经完成了!没有更多的数字!” 
    此步骤对应于生成器对象结束其作业,并引发StopIteration异常 生成器函数不需要引发异常。当函数结束或发出return时,它会自动引发。

这就是生成器的作用(包含yield的函数);它开始执行,只要它执行yield就会暂停,当被要求输入.next()时,它会从最后一个点继续。它完全符合Python的迭代器协议的设计,它描述了如何顺序请求值。

迭代器协议最着名的用户是Python中的for命令。所以,每当你做一个:

for item in sequence:

如果sequence是列表,字符串,字典或生成器 object 如上所述,则无关紧要;结果是一样的:你逐个读取序列中的项目。

请注意defing包含yield关键字的函数不是创建生成器的唯一方法;这只是创建一个最简单的方法。

有关更准确的信息,请阅读Python文档中的 iterator类型yield语句generators

120
tzot

虽然很多答案显示了为什么使用yield来创建生成器,但yield有更多用途。制作协程非常容易,它可以在两个代码块之间传递信息。我将不再重复使用yield创建生成器的任何精细示例。

为了帮助理解yield在以下代码中的作用,您可以用手指跟踪具有yield的任何代码的循环。每次手指触及yield时,都必须等待输入nextsend。当调用next时,您将遍历代码,直到您点击yield ... yield右侧的代码被评估并返回给调用者...然后您等待。再次调用next时,将通过代码执行另一个循环。但是,您会注意到在协程中,yield也可以与send ...一起使用,它将从调用者 发送 - 让步函数。如果给出send,则yield接收发送的值,并将其吐出左侧...然后通过代码的跟踪进行,直到再次点击yield(最后返回值,就像调用了next)。

例如:

>>> def coroutine():
...     i = -1
...     while True:
...         i += 1
...         val = (yield i)
...         print("Received %s" % val)
...
>>> sequence = coroutine()
>>> sequence.next()
0
>>> sequence.next()
Received None
1
>>> sequence.send('hello')
Received hello
2
>>> sequence.close()
105
Mike McKerns

还有另一个yield使用和含义(自Python 3.3起):

yield from <expr>

PEP 380 - 委托给子发电机的语法

提出了一种语法,用于生成器将其部分操作委托给另一个生成器。这允许将包含'yield'的代码段分解出来并放在另一个生成器中。此外,允许子生成器返回一个值,并使该值可用于委派生成器。

当一个生成器重新生成另一个生成器生成的值时,新语法也会为优化提供一些机会。

此外 将介绍(自Python 3.5):

async def new_coroutine(data):
   ...
   await blocking_action()

避免协程与常规生成器混淆(今天yield用于两者)。

97
Sławomir Lenart

所有伟大的答案,但新手有点困难。

我假设您已经学习了returnname__语句。

作为类比,returnname__和yieldname__是双胞胎。 returnname__表示'返回并停止',而'yield`表示'返回,但继续'

  1. 尝试使用returnname__获取num_list。
def num_list(n):
    for i in range(n):
        return i

运行:

In [5]: num_list(3)
Out[5]: 0

看,你只得到一个数字而不是它们的列表。 returnname__永远不会让你高兴,只需实现一次并退出。

  1. yieldname__

returnname__替换为yieldname__:

In [10]: def num_list(n):
    ...:     for i in range(n):
    ...:         yield i
    ...:

In [11]: num_list(3)
Out[11]: <generator object num_list at 0x10327c990>

In [12]: list(num_list(3))
Out[12]: [0, 1, 2]

现在,你赢了所有数字。

与运行一次并停止的returnname__相比,yieldname__运行您计划的次数。[。_____。]您可以将returnname__解释为return one of them,将yieldname__解释为return all of them。这称为iterablename__。

  1. 还有一步我们可以用yieldname__重写returnname__语句
In [15]: def num_list(n):
    ...:     result = []
    ...:     for i in range(n):
    ...:         result.append(i)
    ...:     return result

In [16]: num_list(3)
Out[16]: [0, 1, 2]

它是yieldname__的核心。

列表returnname__输出与对象yieldname__输出之间的区别是:

您将始终从列表对象中获取[0,1,2],但只能从“对象yieldname__输出”中检索一次。因此,它在Out[11]: <generator object num_list at 0x10327c990>中显示了一个新名称generatorname__对象。

总之,作为一个隐喻它的隐喻:

  • returnname__和yieldname__是双胞胎
  • listname__和generatorname__是双胞胎
86
JawSaw

下面是一些如何实际实现生成器的Python示例,就像Python没有为它们提供语法糖一样:

作为Python生成器:

from itertools import islice

def fib_gen():
    a, b = 1, 1
    while True:
        yield a
        a, b = b, a + b

assert [1, 1, 2, 3, 5] == list(islice(fib_gen(), 5))

使用词法闭包代替生成器

def ftake(fnext, last):
    return [fnext() for _ in xrange(last)]

def fib_gen2():
    #funky scope due to python2.x workaround
    #for python 3.x use nonlocal
    def _():
        _.a, _.b = _.b, _.a + _.b
        return _.a
    _.a, _.b = 0, 1
    return _

assert [1,1,2,3,5] == ftake(fib_gen2(), 5)

使用对象闭包而不是生成器 (因为 ClosuresAndObjectsAreEquivalent

class fib_gen3:
    def __init__(self):
        self.a, self.b = 1, 1

    def __call__(self):
        r = self.a
        self.a, self.b = self.b, self.a + self.b
        return r

assert [1,1,2,3,5] == ftake(fib_gen3(), 5)
83
Dustin Getz

我将发布“阅读Beazley的'Python:基本参考'第19页以快速描述发生器”,但是很多其他人已经发布了很好的描述。

另外,请注意yield可以在协同程序中用作它们在生成器函数中使用的对偶。虽然它与您的代码片段的用法不同,但(yield)可以用作函数中的表达式。当调用者使用send()方法向方法发送值时,协程将执行,直到遇到下一个(yield)语句。

生成器和协同程序是设置数据流类型应用程序的一种很酷的方法。我认为在函数中知道yield语句的其他用法是值得的。

81
johnzachary

从编程的角度来看,迭代器实现为 thunks

为了实现并发执行的迭代器,生成器和线程池等作为thunks(也称为匿名函数),使用发送给具有调度程序的闭包对象的消息,并且调度程序回答“消息”。

http://en.wikipedia.org/wiki/Message_passing

next ”是发送到闭包的消息,由“ iter ”调用创建。

有很多方法可以实现这个计算。我使用了变异,但通过返回当前值和下一个yielder,很容易做到没有变异。

这是一个使用R6RS结构的演示,但语义与Python完全相同。它是相同的计算模型,只需要在Python中重写它就需要改变语法。

Welcome to Racket v6.5.0.3.

-> (define gen
     (lambda (l)
       (define yield
         (lambda ()
           (if (null? l)
               'END
               (let ((v (car l)))
                 (set! l (cdr l))
                 v))))
       (lambda(m)
         (case m
           ('yield (yield))
           ('init  (lambda (data)
                     (set! l data)
                     'OK))))))
-> (define stream (gen '(1 2 3)))
-> (stream 'yield)
1
-> (stream 'yield)
2
-> (stream 'yield)
3
-> (stream 'yield)
'END
-> ((stream 'init) '(a b))
'OK
-> (stream 'yield)
'a
-> (stream 'yield)
'b
-> (stream 'yield)
'END
-> (stream 'yield)
'END
->
77
alinsoar

这是一个简单的例子:

def isPrimeNumber(n):
    print "isPrimeNumber({}) call".format(n)
    if n==1:
        return False
    for x in range(2,n):
        if n % x == 0:
            return False
    return True

def primes (n=1):
    while(True):
        print "loop step ---------------- {}".format(n)
        if isPrimeNumber(n): yield n
        n += 1

for n in primes():
    if n> 10:break
    print "wiriting result {}".format(n)

输出:

loop step ---------------- 1
isPrimeNumber(1) call
loop step ---------------- 2
isPrimeNumber(2) call
loop step ---------------- 3
isPrimeNumber(3) call
wiriting result 3
loop step ---------------- 4
isPrimeNumber(4) call
loop step ---------------- 5
isPrimeNumber(5) call
wiriting result 5
loop step ---------------- 6
isPrimeNumber(6) call
loop step ---------------- 7
isPrimeNumber(7) call
wiriting result 7
loop step ---------------- 8
isPrimeNumber(8) call
loop step ---------------- 9
isPrimeNumber(9) call
loop step ---------------- 10
isPrimeNumber(10) call
loop step ---------------- 11
isPrimeNumber(11) call

我不是Python开发人员,但它看起来我yield保持程序流的位置,下一个循环从“yield”位置开始。似乎它正在等待那个位置,就在此之前,将值返回到外部,然后下一次继续工作。

这似乎是一个有趣而且很好的能力:D

70
Engin OZTURK

这是yield所做的心理图像。

我喜欢将一个线程视为具有堆栈(即使它没有以这种方式实现)。

当调用普通函数时,它将其局部变量放在堆栈上,进行一些计算,然后清除堆栈并返回。它的局部变量的值再也看不到了。

使用yield函数,当其代码开始运行时(即在调用函数之后,返回一个生成器对象,然后调用其next()方法),它同样将其局部变量放入堆栈并计算一段时间。但是,当它到达yield语句时,在清除其部分堆栈并返回之前,它会获取其局部变量的快照并将它们存储在生成器对象中。它还在其代码中写下它当前所处的位置(即特定的yield语句)。

所以它是发电机悬挂的一种冻结功能。

当随后调用next()时,它会将函数的所有物检索到堆栈中并重新设置动画。该功能继续从它停止的位置进行计算,而不知道它刚刚在冷库中度过了永恒的事实。

比较以下示例:

def normalFunction():
    return
    if False:
        pass

def yielderFunction():
    return
    if False:
        yield 12

当我们调用第二个函数时,它的行为与第一个函数的行为非常不同。 yield语句可能无法访问,但如果它出现在任何地方,它会改变我们正在处理的内容的性质。

>>> yielderFunction()
<generator object yielderFunction at 0x07742D28>

调用yielderFunction()不会运行其代码,而是从代码中生成一个生成器。 (为了便于阅读,使用yielder前缀命名这些东西也许是一个好主意。)

>>> gen = yielderFunction()
>>> dir(gen)
['__class__',
 ...
 '__iter__',    #Returns gen itself, to make it work uniformly with containers
 ...            #when given to a for loop. (Containers return an iterator instead.)
 'close',
 'gi_code',
 'gi_frame',
 'gi_running',
 'next',        #The method that runs the function's body.
 'send',
 'throw']

gi_codegi_frame字段是存储冻结状态的位置。用dir(..)探索它们,我们可以确认我们上面的心理模型是可信的。

58
Evgeni Sergeev

像每个答案所示,yield用于创建序列生成器。它用于动态生成一些序列。例如,在网络上逐行读取文件时,可以使用yield函数,如下所示:

def getNextLines():
   while con.isOpen():
       yield con.read()

您可以在代码中使用它,如下所示:

for line in getNextLines():
    doSomeThing(line)

执行控制转移问题

执行yield时,执行控件将从getNextLines()传送到for循环。因此,每次调用getNextLines()时,执行都会从上次暂停时开始执行。

因此简而言之,具有以下代码的功能

def simpleYield():
    yield "first time"
    yield "second time"
    yield "third time"
    yield "Now some useful value {}".format(12)

for i in simpleYield():
    print i

将打印

"first time"
"second time"
"third time"
"Now some useful value 12"
49
Mangu Singh Rajpurohit

(我的下面的答案仅从使用Python生成器的角度讲,而不是生成器机制的 底层实现 ,它涉及堆栈和堆操作的一些技巧。)

当在python函数中使用yield而不是return时,该函数将变成一个特殊的名为generator function的东西。该函数将返回generator类型的对象。yield关键字是一个标志,用于通知python编译器专门处理此类函数。 正常函数将在从其返回某个值后终止。但是在编译器的帮助下,生成器函数 可以被认为是 作为可恢复的。也就是说,将恢复执行上下文,并且执行将从上次运行继续。直到你显式调用return,这将引发StopIteration异常(它也是迭代器协议的一部分),或者到达函数的末尾。我找到了很多关于generator的引用,但是这个 一个 来自functional programming perspective是最可消化的。

(现在我想谈谈generator背后的基本原理,以及iterator基于我自己的理解。我希望这可以帮助你掌握基本动机迭代器和生成器。这样的概念也出现在其他语言中,例如C#。)

据我了解,当我们想要处理大量数据时,我们通常首先将数据存储在某处,然后逐个处理。但是这种天真方法是有问题的。如果数据量很大,那么事先将它们作为一个整体存储起来是很昂贵的。 所以不是直接存储data本身,为什么不间接存储某种metadata,即the logic how the data is computed。 

有两种方法来包装这样的元数据。

  1. OO方法,我们包装元数据as a class。这就是所谓的iterator,它实现了迭代器协议(即__next__()__iter__()方法)。这也是常见的 迭代器设计模式
  2. 功能方法,我们包装元数据as a function。这是所谓的generator function。但在引擎盖下,返回的generator object仍然是IS-A迭代器,因为它还实现了迭代器协议。

无论哪种方式,都会创建一个迭代器,即一些可以为您提供所需数据的对象。 OO方法可能有点复杂。无论如何,使用哪一个取决于你。

43
smwikipedia

产量是一个对象

函数中的return将返回单个值。

如果你想 函数返回一大组值 ,请使用yield

更重要的是,yield barrier

就像CUDA语言中的障碍一样,在完成之前它不会转移控制权。

也就是说,它将从头开始运行函数中的代码,直到它到达yield。然后,它将返回循环的第一个值。

然后,每隔一个调用将再次运行您在函数中写入的循环,返回下一个值,直到没有任何值返回。

43
Kaleem Ullah

总之,yield语句将您的函数转换为一个工厂,该工厂生成一个名为generator的特殊对象,它包裹原始函数的主体。迭代generator时,它会执行您的函数,直到它到达下一个yield,然后暂停执行并计算传递给yield的值。它在每次迭代时重复此过程,直到执行路径退出函数。例如,

def simple_generator():
    yield 'one'
    yield 'two'
    yield 'three'

for i in simple_generator():
    print i

只是输出

one
two
three

电源来自使用带有计算序列的循环的发生器,发生器每次执行循环停止以“产生”下一个计算结果,这样它就可以动态计算列表,其好处是内存保存用于特别大的计算

假设你想创建一个自己的range函数,它产生一个可迭代的数字范围,你可以这样做,

def myRangeNaive(i):
    n = 0
    range = []
    while n < i:
        range.append(n)
        n = n + 1
    return range

并像这样使用它;

for i in myRangeNaive(10):
    print i

但这是低效的,因为

  • 您创建一个只使用一次的数组(这会浪费内存)
  • 这段代码实际上循环遍历该数组两次! :(

幸运的是,Guido和他的团队足够慷慨地开发发电机,所以我们可以做到这一点;

def myRangeSmart(i):
    n = 0
    while n < i:
       yield n
       n = n + 1
    return

for i in myRangeSmart(10):
    print i

现在每次迭代时,一个名为next()的生成器上的函数执行该函数,直到它达到'yield'语句,在该语句中它停止并“产生”该值或到达函数的末尾。在这种情况下,在第一次调用时,next()执行yield语句并生成'n',在下一次调用时它将执行increment语句,跳回'while',计算它,如果为true,它将停止再次产生'n',它将继续这样,直到while条件返回false并且生成器跳转到函数的末尾。

42
redbandit

许多人使用return而不是yield,但在某些情况下yield可以更高效,更容易使用。

以下是yield绝对最适合的示例:

返回 (在函数中)

import random

def return_dates():
    dates = [] # With 'return' you need to create a list then return it
    for i in range(5):
        date = random.choice(["1st", "2nd", "3rd", "4th", "5th", "6th", "7th", "8th", "9th", "10th"])
        dates.append(date)
    return dates

yield (在函数中)

def yield_dates():
    for i in range(5):
        date = random.choice(["1st", "2nd", "3rd", "4th", "5th", "6th", "7th", "8th", "9th", "10th"])
        yield date # 'yield' makes a generator automatically which works
                   # in a similar way. This is much more efficient.

调用函数

dates_list = return_dates()
print(dates_list)
for i in dates_list:
    print(i)

dates_generator = yield_dates()
print(dates_generator)
for i in dates_generator:
    print(i)

这两个函数都做同样的事情,但yield使用三行而不是五行,并且担心变量少一个。

这是代码的结果:

Output

正如你所看到的,两个函数都做同样的事情。唯一的区别是return_dates()给出一个列表,yield_dates()给出一个生成器。

一个现实生活中的例子就像是逐行读取文件或者只是想制作一个生成器。

40
Tom Fuller

yield就像一个函数的返回元素。区别在于yield元素将函数转换为生成器。在某些东西“屈服”之前,生成器的行为就像一个函数。发电机停止,直到下一次调用,并从它开始的完全相同的点继续。通过调用list(generator()),您可以在一个中获得所有“已产生”值的序列。

35
Theoremiser

yield关键字只是收集返回的结果。想想yield就像return +=

35
Bahtiyar Özdere

这是一个简单的基于yield的方法,用于计算斐波纳契数列,解释如下:

def fib(limit=50):
    a, b = 0, 1
    for i in range(limit):
       yield b
       a, b = b, a+b

当你在REPL中输入_然后尝试调用它时,你会得到一个神秘的结果:

>>> fib()
<generator object fib at 0x7fa38394e3b8>

这是因为yield的存在向Python发出了要创建 生成器的信号 ,即一个按需生成值的对象。

那么,你如何生成这些值?这可以通过使用内置函数next直接完成,也可以通过将其提供给消耗值的构造来间接完成。 

使用内置的next()函数,直接调用.next/__next__,强制生成器生成一个值:

>>> g = fib()
>>> next(g)
1
>>> next(g)
1
>>> next(g)
2
>>> next(g)
3
>>> next(g)
5

间接地,如果你将fib提供给一个for循环,一个list初始化器,一个Tuple初始化器,或任何其他需要生成/生成值的对象的东西,你将“消耗”生成器,直到它不再生成值(它返回):

results = []
for i in fib(30):       # consumes fib
    results.append(i) 
# can also be accomplished with
results = list(fib(30)) # consumes fib

同样,使用Tuple初始值设定项: 

>>> Tuple(fib(5))       # consumes fib
(1, 1, 2, 3, 5)

生成器与函数的不同之处在于它是惰性的。它通过维护本地状态并允许您随时恢复来实现此目的。 

当您第一次通过调用它来调用fib时:

f = fib()

Python编译函数,遇到yield关键字并简单地返回一个生成器对象。看起来不是很有帮助。 

然后,当您请求它直接或间接生成第一个值时,它会执行它找到的所有语句,直到遇到yield,然后它会返回您提供给yield并暂停的值。有关更好地演示此示例的示例,让我们使用一些print调用(如果在Python 2上,则替换为print "text"):

def yielder(value):
    """ This is an infinite generator. Only use next on it """ 
    while 1:
        print("I'm going to generate the value for you")
        print("Then I'll pause for a while")
        yield value
        print("Let's go through it again.")

现在,输入REPL:

>>> gen = yielder("Hello, yield!")

你有一个生成器对象现在正在等待命令让它生成一个值。使用next并查看打印内容:

>>> next(gen) # runs until it finds a yield
I'm going to generate the value for you
Then I'll pause for a while
'Hello, yield!'

不带引号的结果是印刷的。引用的结果是从yield返回的结果。现在再次调用next

>>> next(gen) # continues from yield and runs again
Let's go through it again.
I'm going to generate the value for you
Then I'll pause for a while
'Hello, yield!'

生成器记得它在yield value处暂停并从那里恢复。打印下一条消息并再次执行搜索yield语句以暂停它(由于while循环)。

32
Jim Fasarakis Hilliard

它简单解释的一个简单例子:yieldname__

def f123():
    for _ in range(4):
        yield 1
        yield 2


for i in f123():
    print i

输出是: 

1 2 1 2 1 2 1 2
29
Gavriel Cohen

另一个TL; DR

列表上的迭代器 next()返回列表的下一个元素

迭代器生成器 next()将动态计算下一个元素(执行代码)

您可以通过调用next来查看yield/generator作为手动运行 控制流 从外部(如继续循环一步)的方法,无论流程如何复杂。

注意 :生成器是 _不_ 正常功能。它会记住以前的状态,如局部变量(堆栈)。有关详细说明,请参阅其他答案或文章。生成器只能 迭代一次 。你可以不用yield,但它不会那么好,所以它可以被认为是'非常好'的语言糖。

28
Christophe Roussy

yield 类似于return。不同之处是: 

yield 使函数可迭代(在下面的示例中,primes(n = 1)函数变为可迭代)。
它实质上意味着下次调用该函数时,它将从它离开的位置继续(在yield expression之后)。

def isprime(n):
    if n == 1:
        return False
    for x in range(2, n):
        if n % x == 0:
            return False
    else:
        return True

def primes(n = 1):
   while(True):
       if isprime(n): yield n
       n += 1 

for n in primes():
    if n > 100: break
    print(n)

在上面的例子中,如果isprime(n)为真,它将返回素数。在下一次迭代中,它将从下一行继续 

n += 1  
24
blueray

这里的所有答案都很棒;但只有其中一个(投票最多的一个)与 你的代码如何工作 。其他一些与 generators 一般有关,以及它们如何工作。

所以我不会重复发电机是什么或产量是多少;我认为这些都是现有的答案。然而,在花了几个小时试图理解你的类似代码之后,我会分解它是如何工作的。

您的代码遍历二叉树结构。我们以这棵树为例:

    5
   / \
  3   6
 / \   \
1   4   8

另一个更简单的二叉搜索树遍历实现:

class Node(object):
..
def __iter__(self):
    if self.has_left_child():
        for child in self.left:
            yield child

    yield self.val

    if self.has_right_child():
        for child in self.right:
            yield child

执行代码在Tree对象上,它实现__iter__,如下所示:

def __iter__(self):

    class EmptyIter():
        def next(self):
            raise StopIteration

    if self.root:
        return self.root.__iter__()
    return EmptyIter()

while candidates语句可以替换为for element in tree; Python将此翻译为

it = iter(TreeObj)  # returns iter(self.root) which calls self.root.__iter__()
for element in it: 
    .. process element .. 

因为Node.__iter__函数是一个生成器,所以代码 在它内部 每次迭代执行。因此执行将如下所示:

  1. 根元素是第一个;检查它是否已经离开了childs并且for迭代它们(让我们称之为it1,因为它是第一个迭代器对象)
  2. 它有一个孩子,所以for被执行。 for child in self.leftself.left创建一个 新迭代器 ,它是一个Node对象本身(it2)
  3. 与2相同的逻辑,并创建一个新的iterator(it3)
  4. 现在我们到达了树的左端。 it3没有留下的孩子,所以它继续和yield self.value
  5. 在下一次调用next(it3)时,它会引发StopIteration并且存在,因为它没有正确的子项(它到达函数的末尾而没有产生任何东西)
  6. it1it2仍处于活动状态 - 它们没有用尽,调用next(it2)会产生值,而不会提高StopIteration
  7. 现在我们回到it2上下文,并调用next(it2),它继续停止:在yield child语句之后。由于它没有剩下的孩子,它继续并产生它的self.val

这里的问题是每次迭代 创建子迭代器 遍历树,并保持当前迭代器的状态。一旦到达末尾,它就会遍历堆栈,并以正确的顺序返回值(最小的收益率值)。

你的代码示例在不同的技术中做了类似的事情:它为每个子元素填充一个 一元素列表 然后在下一次迭代时弹出它并在当前对象上运行函数代码(因此self)。

我希望这对这个传奇话题有所贡献。我花了几个小时来绘制这个过程来理解它。

10
Chen A.

简而言之, yield 的使用类似于关键字 return ,除了它返回一个 generator
A generator object仅遍历 一次

yield 有两个好处: 

  1. 您不需要两次读取这些值; 
  2. 您可以获取许多子节点,而无需将它们全部放入内存中。
8
123

在Python中generators(一种特殊类型的iterators)用于生成一系列值,而yield关键字就像生成器函数的return关键字一样。 

另一个有趣的事yield关键字是保存生成器函数的state。 

因此,每次number产生时,我们都可以将generator设置为不同的值。 

这是一个实例:

def getPrimes(number):
    while True:
        if isPrime(number):
            number = yield number     # a miracle occurs here
        number += 1

def printSuccessivePrimes(iterations, base=10):
primeGenerator = getPrimes(base)
primeGenerator.send(None)
for power in range(iterations):
    print(primeGenerator.send(base ** power))
7
ARGeo

产量

>>> def create_generator():
...    my_list = range(3)
...    for i in my_list:
...        yield i*i
...
>>> my_generator = create_generator() # create a generator
>>> print(my_generator) # my_generator is an object!
<generator object create_generator at 0xb7555c34>
>>> for i in my_generator:
...     print(i)
0
1
4

简而言之 ,你可以看到循环没有停止并且即使在发送了对象或变量之后仍然继续运行(与执行后循环停止的return不同)。

6
Gavriel Cohen

类比可以帮助理解这里的想法:

想象一下,你创造了一台能够每天产生成千上万个灯泡的神奇机器。机器在带有唯一序列号的盒子中生成这些灯泡。您没有足够的空间同时存储所有这些灯泡(即,由于存储限制,您无法跟上机器的速度),因此您希望调整此机器以按需生成灯泡。

Python生成器与此概念没有太大差别。

想象一下,你有一个函数x,它为盒子生成唯一的序列号。显然,您可以使用该函数生成大量此类条形码。更智能,更节省空间的选择是按需生成这些序列号。

机器代码:

def barcode_generator():
    serial_number = 10000  # Initial barcode
    while True:
        yield serial_number
        serial_number += 1


barcode = barcode_generator()
while True:
    number_of_lightbulbs_to_generate = int(input("How many lightbulbs to generate? "))
    barcodes = [next(barcode) for _ in range(number_of_lightbulbs_to_generate)]
    print(barcodes)

    # function_to_create_the_next_batch_of_lightbulbs(barcodes)

    produce_more = input("Produce more? [Y/n]: ")
    if produce_more == "n":
        break

如您所见,我们有一个独立的“功能”,每次都会生成下一个唯一的序列号。这个函数返回一个发生器!正如您所看到的,我们每次需要一个新的序列号时都不会调用该函数,但是我们使用next()给出生成器来获取下一个序列号。

输出:

How many lightbulbs to generate? 5
[10000, 10001, 10002, 10003, 10004]
Produce more? [Y/n]: y
How many lightbulbs to generate? 6
[10005, 10006, 10007, 10008, 10009, 10010]
Produce more? [Y/n]: y
How many lightbulbs to generate? 7
[10011, 10012, 10013, 10014, 10015, 10016, 10017]
Produce more? [Y/n]: n
6
Rafael

yield是一种可以在python中使用的Generator。

这里有一个链接,可以看到Yield真正做到了什么,也在生成。 Generators&Yield Keyword - Python Central(PC)

yield也像return一样工作,但与return不同。[。_____。]甚至还有一个链接可以解释yield,如果你不理解另一个不太好。 提高你的屈服技能 - jeffknupp

3
PIZZZZZZZZZZZA is here

简单来说,'yield'类似于'return'一个值,但它适用于Generator。

1
user3701435

在简单的yield中返回生成器对象而不是值。 

以下简单示例将有所帮助!

def sim_generator():
    for i in range(3):
        yield(i)

obj = sim_generator()
next(obj) # another way is obj.__next__()
next(obj)
next(obj)

上面的代码返回0,1,2

甚至是短暂的

for val in sim_generator():
    print(val)

返回0,1,2

希望这可以帮助

1
Vivek Ananthan

简单的发电机功能

def my_gen():
    n = 1
    print('This is printed first')
    # Generator function contains yield statements
    yield n

    n += 1
    print('This is printed second')
    yield n

    n += 1
    print('This is printed at last')
    yield n

yield语句暂停函数保存所有状态,然后在连续调用时继续执行。

https://www.programiz.com/python-programming/generator

0
Savai Maheshwari

yield产生了一些东西。这就像有人要你做5杯蛋糕。如果你完成了至少一个杯子蛋糕,你可以给他们吃,而你做其他蛋糕。

In [4]: def make_cake(numbers):
   ...:     for i in range(numbers):
   ...:         yield 'Cake {}'.format(i)
   ...:

In [5]: factory = make_cake(5)

这里factory被称为生成器,它会让你变成蛋糕。如果你调用make_function,你得到一个生成器而不是运行该函数。这是因为当函数中存在yield关键字时,它就变成了生成器。

In [7]: next(factory)
Out[7]: 'Cake 0'

In [8]: next(factory)
Out[8]: 'Cake 1'

In [9]: next(factory)
Out[9]: 'Cake 2'

In [10]: next(factory)
Out[10]: 'Cake 3'

In [11]: next(factory)
Out[11]: 'Cake 4'

他们吃了所有蛋糕,但他们又要求一个。

In [12]: next(factory)
---------------------------------------------------------------------------
StopIteration                             Traceback (most recent call last)
<ipython-input-12-0f5c45da9774> in <module>
----> 1 next(factory)

StopIteration:

他们被告知要停止询问更多。所以一旦你消耗了一台发电机,你就完成了它。如果你想要更多的蛋糕,你需要再次调用make_cake。这就像是另外订购杯子蛋糕。

In [13]: factory = make_cake(3)

In [14]: for cake in factory:
    ...:     print(cake)
    ...:
Cake 0
Cake 1
Cake 2

你也可以使用像上面那样的生成器进行循环。

还有一个例子:让我们说你想要一个随机密码。

In [22]: import random

In [23]: import string

In [24]: def random_password_generator():
    ...:     while True:
    ...:         yield ''.join([random.choice(string.ascii_letters) for _ in range(8)])
    ...:

In [25]: rpg = random_password_generator()

In [26]: for i in range(3):
    ...:     print(next(rpg))
    ...:
FXpUBhhH
DdUDHoHn
dvtebEqG

In [27]: next(rpg)
Out[27]: 'mJbYRMNo'

这里rpg是一个生成器,它可以生成无限数量的随机密码。所以我们也可以说当我们不知道序列的长度时,生成器是有用的,而不像具有有限数量元素的列表。

0
thavan