【千锋教育干货暴击】
如果你想更好的学习Python乃至转行，弯道超车，快人一步！本课程零基础即可加入学习，抓住大数据、机器学习、人工智能时代的红利，开启你的第一行代码吧！
↓ ↓ ↓
千锋教育Python教程_700集零基础Python入门到精通教程（保姆级新手教程）
千锋教育Python教程全套_python零基础入门到精通（学完可达到Python工程师水平）
列表推导式
现在我们有一组列表数据teas = ['草莓奶茶'，'香芋西米露'，'木瓜奶茶'，'香芋奶茶'，'柠檬奶茶'，'红豆西米露'，'烧仙草'，'雪融烧仙草'，'木瓜奶昔'，'芒果奶昔']，现在我们需要把带奶茶两个字的找出来，你会怎么做？
teas = ['草莓奶茶','香芋西米露','木瓜奶茶','香芋奶茶','柠檬奶茶','红豆西米露', '烧仙草', '雪融烧仙草','木瓜奶昔','芒果奶昔']
milk_tea = []
for tea in teas:
if '奶茶' in tea:
milk_tea.append(tea)
print(milk_tea)当然for循环遍历判断没有问题！其实你也可以了解了解列表推导式。
看看它的基本概念都是什么？
列表解析式（List comprehension）或者称为列表推导式，是 Python 中非常强大和优雅的方法。它可以基于现有的列表做一些操作，从而快速创建新列表。它的格式是：
比如说：
list1 = [x*x for x in range(100)]
print(list)
#等价于
list2 = []
for x in range(100):
list2.append(x*x)
print(list2)大家可以将上面的代码的两种，进行一下速度对比。
如果加上判断条件则
list1 = [x*x for x in range(10) if x%2==0]
print(list)
#等价于
list2 = []
for x in range(10):
if x%2 == 0:
list2.append(x*x)
print(list2)因此上面的奶茶的代码就可以改成如下表示：
milk_tea = [tea for tea in teas if '奶茶' in tea]
print(milk_tea)案例：如果结合os模块，我们还可以找出指定目录的文件
# 遍历当前目录下的文件，并在把后缀为.py的放在列表中
import os
files=os.listdir("./")
file_list=[name for name in files if name.endswith(".py")]
print(file_list)给大家留个小小的问题尝试自己解决下哦！
当然我们还可以if与else结合使用
# 将列表中的年龄小于等于15岁的都加1岁
ages = [17,13,10,18,20,14,15]
ages = [age if age>15 else age+1 for age in ages ]
print(ages)双层for循环的列表推导式也是可以的
list1=[(x,y) for x in range(5,9) for y in range(1,5)]
print(list1)猜一猜上面的代码结果是什么？
大家不要以为只有列表推导式，其实还有字典推导式，了解一下吧！格式如下：
d = {key: value for (key, value) in iterable}
# 字典推导式
dict1 = {'a': 'A', 'b': 'B', 'c': 'C', 'd': 'D'}
newdict = {value:key for key, value in dict1.items()}
print(newdict) # 结果：{'A':'a','B':'b','C':'c','D':'d'}另外集合推导式与列表推导式类似，里面是不存在重复元素的。集合的外层符号式：[]，而集合的推导式式：{}。即：
变量名 = {表达式 for 变量 in 列表 }可迭代与迭代器
大家经常在看源码的时候，经常会看到或者这个单词，什么意思呢？
接下来我们就来介绍下它们。首先我们说Iterable是表示可迭代的意思，那如何判断某个数据类型是可迭代的呢？
需要从collections模块中导入了Iterable类，并结合了isinstance(A,B)进行判断，isinstance(A,B)函数是系统的内置函数表示A是否是B的实例，返回值是布尔类型的。
from collections import Iterable
list1 = [1, 4, 7, 8, 8]
f = isinstance(list1, Iterable)
print(f) # True
f = isinstance('abc', Iterable)
print(f) # True
f = isinstance(100, Iterable)
print(f) # False
我们发现元组，列表， 集合， 字典， 字符串都是可迭代的，但是整型，浮点型就不是可迭代的。
所以大家就知道上面图片中的max()和min()函数中的iterable表示的是可迭代的对象。
那下面的next()函数中的iterator表示什么意思？迭代器
迭代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。特点如下:
那是不是可迭代的就是迭代器呢？
from collections.abc import Iterator
list1 = [1, 4, 7, 8, 8]
f = isinstance(list1, Iterator)
print(f) # False
f = isinstance('abc', Iterator)
print(f) # False
f = isinstance(100, Iterator)
print(f) # False也可以使用next()这个内置函数测试，可以被next()函数调用并不断返回下一个值的对象可以认为是迭代器：Iterator。
list1 = [1, 4, 7, 8, 8]
result = next(list1)
print(result)大家发现有报错：
TypeError: 'list' object is not an iterator大家发现两种方式的判断列表都不是迭代器，那可迭代的可以变成迭代器吗？因为只有变成迭代器才可以一个一个的取元素。
答案是可以的！使用iter(),只需要将可迭代的对象放到这个函数中就可以变成迭代器了。
list1 = [1, 2, 3, 4, 5]
list1 = iter(list1) # 通过iter()函数将可迭代的变成了一个迭代器
print(next(list1))此时就不会报错了。
生成器
通过列表推导式，我们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的。并且如果创建一个包含100万个元素的列表，还会占用很大的存储空间，而我们也不会一下就用到那么多列表中的元素，这样此列表就会长时间的占用大量的内存。那有没有不必创建完整的list，用的时候就可以依次向后取到元素呢？有的！在Python中，这种一边循环一边计算的机制，称为生成器：generator。
简单一句话：我又想要得到庞大的数据，又想让它占用空间少，那就用生成器！
python中生成器是迭代器的一种，使用yield返回值函数，每次调用yield会暂停，而可以使用next()函数和send()函数恢复生成器。
如何创建生成器
创建生成器的方式有两种：
类似列表推导式的格式创建
函数+yield创建类似列表推导式方式创建
现在有个需求，现有列表 [0，1，2，3，4，5，6，7，8，9]，要求你把列表里面的每个值加1，你怎么实现呢？用上面提到的列表推导式如下：
list1 = [x+1 for x in range(10)]
print(list1)大家看清楚了，我现在下面的代码换符号了哦，将[]换成了()
list1 = (x+1 for x in range(10))
print(list1)两者的结果是什么呢？
第二个打印出来却是<generator object at 0x10e630350>，generator object就表示此时是一个生成器对象。但是里面的元素我们是没有看到的。
那如何看到里面的元素呢？这时我们就可以通过next()函数了。next()函数的作用就是获取一个generator生成器的元素，如果想获取多个要多次调用。因此：
list1 = (x+1 for x in range(10))
print(list1)
print(next(list1))
print(next(list1))
......
print(next(list1))每次调用next(list1)就计算它的下一个元素的值，直到计算出最后一个元素，但是此时你还调用next(list1)，next(list1)取不到值了就会抛出异常StopIteration，其实这样不断调用是一个不好的习惯，正确的方法是使用for循环，因为generator也是可迭代对象：
for l in list1:
print(l)generator非常强大，如果推算的算法比较复杂，用类似列表推导式的for循环无法实现的时候，还可以用函数来实现。
函数+yiled创建
来看一下下面的函数：
def yield_test(n):
for i in range(n):
print('---->i=',i)
print("Done.")
print(yield_test)
g = yield_test(5)
print(g)结果：
yield_test调用的返回值是一个None。接下来我们在函数中添加一个关键字yield，再看一下结果。
def yield_test(n):
for i in range(n):
yield i*2
print('---->i=',i)
print("Done.")
print(yield_test)
g = yield_test(5)
print(g)结果：
可以看到print(g)打印的内容是一个生成器对象。说明我们在函数添加关键字之后再次调用函数就变成了生成器了。如果想获取里面的内容，我们可以配合for循环或者next()函数使用，根据自己的需求。
def yield_test(n):
for i in range(n):
yield i*2
print('---->i=',i)
print("Done.")
print(yield_test)
g = yield_test(5)
for i in g:
print(i)结果：
为什么是打印一个数字底下跟一个带箭头的打印呢？yield关键字的作用又是什么呢？
yield关键字可以认为是：暂停 + return 的作用。
每次循环遇到yield暂停，将yield后面的数字返出，当下一轮循环的时候从暂停处继续向下执行，直到再次遇到yield关键字，程序又暂停并将后面的值返出，依次类推的执行。更加清楚的理解建议大家可以先不使用for循环遍历生成器对象，而是调用几次next(g)观察结果会加清晰明了。
下面我们用生成器写一个斐波那契数列。
def fib(length):
a, b = 0, 1
n = 0
while n < length:
yield b # return b + 暂停
a, b = b, a + b
n += 1
return '没有更多元素！！！'
g = fib(8)
print(next(g))
print(next(g))
print(next(g))
......当然可以使用next()系统函数获取生成器的元素，还可以使用生成器对象的__next__完成.
生成器方法：
def gen():
i = 0
while i < 5:
temp = yield i # return i + 暂停
print('temp:', temp)
for x in range(temp):
print('--------->', x)
print('****************')
i += 1
return '没有更多的数据'
g = gen()
# print(next(g))
# print(next(g))
# print(next(g))
# g.__next__()
print(g.send(None))
n1 = g.send(3)
print('n1:', n1)
n2 = g.send(5)
print('n2:', n2)大家分析下上面的代码结果是什么呢？自己动手试一试吧！
最后给大家一张生成器与迭代器的关系图：
需要资料也可以关注微信公众号：Python专栏，事不宜迟，一起进步吧！
