内容摘要：在了解Python的数据结构时，容器(container)、可迭代对象(iterable)、迭代器(iterator)、生成器(generator)、列表/集合/字典推导式(list,set,dict

在了解Python的完全数据结构时，容器(container)、理解可迭代对象(iterable)、迭代对象迭代迭代器(iterator)、器生生成器(generator)、成器列表/集合/字典推导式(list,完全set,dict comprehension)众多概念参杂在一起，难免让初学者一头雾水，理解我将用一篇文章试图将这些概念以及它们之间的迭代对象迭代关系捋清楚。 

 

容器(container)

容器是器生一种把多个元素组织在一起的数据结构，容器中的成器元素可以逐个地迭代获取，可以用in,完全 not in关键字判断元素是否包含在容器中。通常这类数据结构把所有的理解元素存储在内存中(也有一些特例，并不是迭代对象迭代所有的元素都放在内存，比如迭代器和生成器对象)在Python中，器生常见的成器容器对象有：

list, deque, …. set, frozensets, …. dict, defaultdict, OrderedDict, Counter, …. tuple, namedtuple, … str

容器比较容易理解，因为你就可以把它看作是一个盒子、一栋房子、一个柜子，里面可以塞任何东西。从技术角度来说，当它可以用来询问某个元素是否包含在其中时，那么这个对象就可以认为是源码下载一个容器，比如 list，set，tuples都是容器对象：

>>> assert 1 in [1, 2, 3]      # lists >>> assert 4 not in [1, 2, 3] >>> assert 1 in { 1, 2, 3}      # sets >>> assert 4 not in { 1, 2, 3} >>> assert 1 in (1, 2, 3)      # tuples >>> assert 4 not in (1, 2, 3)  

询问某元素是否在dict中用dict的中key：

>>> d = { 1: foo, 2: bar, 3: qux} >>> assert 1 in d >>> assert foo not in d # foo 不是dict中的元素  

询问某substring是否在string中：

>>> s = foobar >>> assert b in s >>> assert x not in s >>> assert foo in s  

尽管绝大多数容器都提供了某种方式来获取其中的每一个元素，但这并不是容器本身提供的能力，而是可迭代对象赋予了容器这种能力，当然并不是所有的容器都是可迭代的，比如：Bloom filter，虽然Bloom filter可以用来检测某个元素是否包含在容器中，但是并不能从容器中获取其中的每一个值，因为Bloom filter压根就没把元素存储在容器中，而是通过一个散列函数映射成一个值保存在数组中。

可迭代对象(iterable)

刚才说过，很多容器都是可迭代对象，网站模板此外还有更多的对象同样也是可迭代对象，比如处于打开状态的files，sockets等等。但凡是可以返回一个迭代器的对象都可称之为可迭代对象，听起来可能有点困惑，没关系，先看一个例子：

>>> x = [1, 2, 3] >>> y = iter(x) >>> z = iter(x) >>> next(y) 1 >>> next(y) 2 >>> next(z) 1 >>> type(x) <class list> >>> type(y) <class list_iterator>  

这里x是一个可迭代对象，可迭代对象和容器一样是一种通俗的叫法，并不是指某种具体的数据类型，list是可迭代对象，dict是可迭代对象，set也是可迭代对象。y和z是两个独立的迭代器，迭代器内部持有一个状态，该状态用于记录当前迭代所在的位置，以方便下次迭代的时候获取正确的香港云服务器元素。迭代器有一种具体的迭代器类型，比如list_iterator，set_iterator。可迭代对象实现了__iter__方法，该方法返回一个迭代器对象。

当运行代码：

x = [1, 2, 3] for elem in x: ...  

实际执行情况是： 

 

反编译该段代码，你可以看到解释器显示地调用GET_ITER指令，相当于调用iter(x)，FOR_ITER指令就是调用next()方法，不断地获取迭代器中的下一个元素，但是你没法直接从指令中看出来，因为他被解释器优化过了。

>>> import dis >>> x = [1, 2, 3] >>> dis.dis(for _ in x: pass)   1           0 SETUP_LOOP              14 (to 17)               3 LOAD_NAME                0 (x)               6 GET_ITER         >>    7 FOR_ITER                 6 (to 16)              10 STORE_NAME               1 (_)              13 JUMP_ABSOLUTE            7         >>   16 POP_BLOCK         >>   17 LOAD_CONST               0 (None)              20 RETURN_VALUE  

迭代器(iterator)

那么什么迭代器呢?它是一个带状态的对象，他能在你调用next()方法的时候返回容器中的下一个值，任何实现了__iter__和__next__()(python2中实现next())方法的对象都是迭代器，__iter__返回迭代器自身，__next__返回容器中的下一个值，如果容器中没有更多元素了，则抛出StopIteration异常，至于它们到底是如何实现的这并不重要。

所以，迭代器就是实现了工厂模式的对象，它在你每次你询问要下一个值的时候给你返回。有很多关于迭代器的例子，比如itertools函数返回的都是迭代器对象。

生成***序列：

>>> from itertools import count >>> counter = count(start=13) >>> next(counter) 13 >>> next(counter) 14  

从一个有限序列中生成***序列：

>>> from itertools import cycle >>> colors = cycle([red, white, blue]) >>> next(colors) red >>> next(colors) white >>> next(colors) blue >>> next(colors) red  

从***的序列中生成有限序列：

>>> from itertools import islice >>> colors = cycle([red, white, blue]) # infinite >>> limited = islice(colors, 0, 4) # finite >>> for x in limited: ... print(x) red white blue red  

为了更直观地感受迭代器内部的执行过程，我们自定义一个迭代器，以斐波那契数列为例：

class Fib:     def __init__(self):         self.prev = 0         self.curr = 1     def __iter__(self):         return self     def __next__(self):         value = self.curr         self.curr += self.prev         self.prev = value         return value >>> f = Fib() >>> list(islice(f, 0, 10)) [1, 1, 2, 3, 5, 8, 13, 21, 34, 55]  

Fib既是一个可迭代对象(因为它实现了__iter__方法)，又是一个迭代器(因为实现了__next__方法)。实例变量prev和curr用户维护迭代器内部的状态。每次调用next()方法的时候做两件事：

为下一次调用next()方法修改状态 为当前这次调用生成返回结果

迭代器就像一个懒加载的工厂，等到有人需要的时候才给它生成值返回，没调用的时候就处于休眠状态等待下一次调用。

生成器(generator)

生成器算得上是Python语言中最吸引人的特性之一，生成器其实是一种特殊的迭代器，不过这种迭代器更加优雅。它不需要再像上面的类一样写__iter__()和__next__()方法了，只需要一个yiled关键字。 生成器一定是迭代器(反之不成立)，因此任何生成器也是以一种懒加载的模式生成值。用生成器来实现斐波那契数列的例子是：

def fib():     prev, curr = 0, 1     while True:         yield curr         prev, curr = curr, curr + prev >>> f = fib() >>> list(islice(f, 0, 10)) [1, 1, 2, 3, 5, 8, 13, 21, 34, 55]  

fib就是一个普通的python函数，它特殊的地方在于函数体中没有return关键字，函数的返回值是一个生成器对象。当执行f=fib()返回的是一个生成器对象，此时函数体中的代码并不会执行，只有显示或隐示地调用next的时候才会真正执行里面的代码。

生成器在Python中是一个非常强大的编程结构，可以用更少地中间变量写流式代码，此外，相比其它容器对象它更能节省内存和CPU，当然它可以用更少的代码来实现相似的功能。现在就可以动手重构你的代码了，但凡看到类似：

def something():     result = []     for ... in ...:         result.append(x)     return result  

都可以用生成器函数来替换：

def iter_something(): for ... in ...: yield x  

生成器表达式(generator expression)

生成器表达式是列表推倒式的生成器版本，看起来像列表推导式，但是它返回的是一个生成器对象而不是列表对象。

>>> a = (x*x for x in range(10)) >>> a <generator object <genexpr> at 0x401f08> >>> sum(a) 285  

总结

容器是一系列元素的集合，str、list、set、dict、file、sockets对象都可以看作是容器，容器都可以被迭代(用在for，while等语句中)，因此他们被称为可迭代对象。 可迭代对象实现了__iter__方法，该方法返回一个迭代器对象。 迭代器持有一个内部状态的字段，用于记录下次迭代返回值，它实现了__next__和__iter__方法，迭代器不会一次性把所有元素加载到内存，而是需要的时候才生成返回结果。 生成器是一种特殊的迭代器，它的返回值不是通过return而是用yield。

参考链接：https://docs.python.org/2/library/stdtypes.html#iterator-types