如何在 Python 中使用 yield 语句创建生成器函数

简介

由 yield 语句驱动的 Python 生成器函数提供了一种独特且高效的数据处理方式。在本教程中，我们将探讨生成器函数的基础知识，了解它们带来的好处，并指导你完成在 Python 中创建自己的生成器函数的过程。

Skills Graph

理解 Python 生成器

Python 生成器是一种特殊类型的函数，它允许你创建迭代器。与使用 return 语句返回一个值然后终止的常规函数不同，生成器使用 yield 语句返回一个值，然后暂停函数的执行，以便稍后可以恢复。

当你需要处理大型或无限数据集时，生成器特别有用，因为它们可以即时生成值，而不是将整个数据集存储在内存中。这使得它们比传统列表或其他数据结构更节省内存。

以下是 Python 中一个生成器函数的简单示例：

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

在这个示例中，count_up_to() 函数是一个生成器，它生成从 0 到（但不包括）n 值的数字。当你调用这个函数时，它会返回一个生成器对象，然后你可以迭代该对象以一次获取一个值。

>>> counter = count_up_to(5)
>>> for num in counter:
...     print(num)
0
1
2
3
4

如你所见，生成器函数在每个 yield 语句之后暂停其执行，允许 for 循环一次使用一个值。这与常规函数形成对比，常规函数会生成整个数字列表并一次性返回。

生成器可以是你 Python 编程工具库中的一个强大工具，理解它们的工作原理是成为一名熟练的 Python 开发者的重要组成部分。

介绍 yield 语句

yield 语句是 Python 中区分生成器函数与常规函数的关键特性。当你调用一个常规函数时，它会执行整个函数体，并使用 return 语句返回一个值。相比之下，使用 yield 语句的生成器函数可以暂停其执行，返回一个值，然后从停止的地方恢复执行。

以下是 yield 语句的工作方式：

1. 当你调用一个生成器函数时，它返回一个生成器对象，而不是最终结果。
2. 当你迭代生成器对象（例如，使用 for 循环）时，生成器函数会执行，直到到达 yield 语句。
3. yield 语句返回指定的值，函数的执行暂停。
4. 下次迭代生成器时，函数从停止的地方恢复执行，继续执行直到到达下一个 yield 语句。

这个过程会持续进行，直到生成器函数完成，此时它会引发一个 StopIteration 异常。

下面是一个说明 yield 语句用法的示例：

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

counter = count_up_to(5)
print(next(counter))  ## 输出：0
print(next(counter))  ## 输出：1
print(next(counter))  ## 输出：2
print(next(counter))  ## 输出：3
print(next(counter))  ## 输出：4
print(next(counter))  ## 引发 StopIteration

在这个示例中，count_up_to() 函数是一个生成器，它生成从 0 到（但不包括）n 值的数字。当我们对生成器对象调用 next() 时，它会返回序列中的下一个值，并且函数的执行会暂停，直到下一次调用 next()。

yield 语句是在 Python 中创建生成器函数的关键，理解它的工作方式对于在代码中有效使用生成器至关重要。

生成器函数的优点

与传统函数和数据结构相比，Python 中的生成器函数具有以下几个优点：

内存效率高

生成器函数的主要优点之一是其内存效率。与一次性生成并返回整个结果集的常规函数不同，生成器函数一次只生成一个值，这意味着它们只在内存中存储当前值。当处理大型或无限数据集时，这使得它们特别有用，因为它们可以即时生成值而不会占用大量内存。

延迟求值

生成器函数采用延迟求值，这意味着它们只在需要时生成值，而不是预先生成整个序列。这在性能上可能具有显著优势，尤其是在处理计算成本高昂的操作或大型数据集时。

无限序列

生成器函数可用于创建无限序列，这对于列表或数组等传统数据结构来说是不可能的。这使得它们在生成没有预定长度的序列时非常有用，例如随机数、斐波那契数，甚至用户输入。

可组合性

生成器函数可以很容易地组合在一起，使你能够创建复杂的数据处理管道。这可以通过将生成器函数用作其他生成器函数的输入来实现，从而创建一系列可以高效执行的转换。

以下是一个展示生成器函数优点的示例：

import time

def fibonacci_generator(n):
    a, b = 0, 1
    for i in range(n):
        yield a
        a, b = b, a + b

## 内存高效的斐波那契数列
fibonacci = fibonacci_generator(1000000)
for num in fibonacci:
    pass  ## 对斐波那契数进行某些操作

## 延迟求值
def square_numbers(nums):
    for num in nums:
        time.sleep(0.1)  ## 模拟计算成本高昂的操作
        yield num ** 2

squares = square_numbers(range(10))
for square in squares:
    print(square)

在这个示例中，fibonacci_generator() 函数通过生成高达 100 万的斐波那契数列而不占用大量内存，展示了生成器函数的内存效率。square_numbers() 函数展示了生成器的延迟求值特性，即只有在需要时才计算平方值。

通过理解生成器函数的优点，你可以编写更高效、更强大的 Python 代码，轻松处理大型或无限数据集。

总结

在本教程结束时，你将对 Python 生成器函数和 yield 语句有扎实的理解。你将能够创建自己的生成器函数，利用它们在内存优化和高效数据处理方面的优势。掌握这一 Python 编程技术将为你提供一个强大的工具，以提高应用程序的性能和可扩展性。