### **Python 迭代机制详解** Python的迭代机制是其核心特性之一，它允许我们高效、简洁地遍历数据集合。其核心围绕三个概念展开：**可迭代对象**、**迭代器**和**生成器**。三者关系紧密，共同构成了Python强大的迭代能力。 #### **1. 核心概念与关系** | 概念 | 定义 | 关键特性 | 典型示例 | | :--- | :--- | :--- | :--- | | **可迭代对象** | 实现了 `__iter__()` 方法的对象，该方法返回一个迭代器对象[ref_3]。 | 可以被 `for` 循环遍历，但自身不保存迭代状态。 | `list`, `tuple`, `dict`, `str`, `set` | | **迭代器** | 实现了 `__iter__()` 和 `__next__()` 方法的对象[ref_3]。 | 1. 保存迭代状态（当前位置）。<br>2. 通过 `__next__()` 逐个返回元素，耗尽时抛出 `StopIteration` 异常[ref_3]。 | `iter(list)`, 文件对象，自定义迭代器类 | | **生成器** | 一种特殊的迭代器，使用 `yield` 关键字定义[ref_5]。 | 1. **惰性计算**：按需生成值，节省内存[ref_6]。<br>2. 函数执行在 `yield` 处暂停，下次调用 `next()` 时恢复[ref_5]。 | 生成器函数、生成器表达式 | **关系链**：**生成器**是**迭代器**的一种特殊实现，而**迭代器**一定是**可迭代对象**。`for` 循环的本质就是先通过 `iter()` 函数获取可迭代对象的迭代器，然后循环调用 `next()` 直到捕获 `StopIteration` 异常[ref_3]。 #### **2. 迭代器协议与自定义迭代器** 迭代器协议要求对象实现 `__iter__()` 和 `__next__()` 方法[ref_3]。`__iter__()` 通常返回 `self`，而 `__next__()` 负责返回下一个值或引发 `StopIteration`。 以下是一个自定义迭代器示例，用于生成指定范围内的偶数： ```python class EvenNumbersIterator: """自定义迭代器，生成指定范围内的偶数""" def __init__(self, start, end): self.current = start if start % 2 == 0 else start + 1 # 调整到第一个偶数 self.end = end def __iter__(self): # __iter__ 方法返回迭代器对象自身 return self def __next__(self): if self.current > self.end: # 迭代终止，抛出StopIteration异常 raise StopIteration result = self.current self.current += 2 # 移动到下一个偶数 return result # 使用自定义迭代器 even_iter = EvenNumbersIterator(2, 10) print("使用 next() 逐个获取：") print(next(even_iter)) # 输出: 2 print(next(even_iter)) # 输出: 4 print("\n使用 for 循环遍历：") for num in EvenNumbersIterator(2, 10): print(num, end=' ') # 输出: 2 4 6 8 10 ``` #### **3. 生成器：高效的内存管理者** 生成器是创建迭代器的简洁工具，无需编写 `__iter__()` 和 `__next__()` 方法。它通过 `yield` 关键字将函数“冻结”在某个状态，下次调用时从该状态继续执行[ref_5]。 **应用场景**：处理大型数据集（如大文件读取）、无限序列、管道数据处理等需要**惰性计算**和**节省内存**的场景[ref_6]。 **示例1：生成器函数实现斐波那契数列** ```python def fibonacci_generator(limit): """生成器函数，生成斐波那契数列直到超过limit""" a, b = 0, 1 while a <= limit: yield a # 每次执行到yield时暂停，返回a的值 a, b = b, a + b # 更新状态，下次恢复执行从此开始 # 使用生成器 fib_gen = fibonacci_generator(20) print("斐波那契数列（≤20）:") for num in fib_gen: print(num, end=' ') # 输出: 0 1 1 2 3 5 8 13 ``` **示例2：生成器表达式** 生成器表达式语法类似列表推导式，但使用圆括号，返回一个生成器对象，同样具有惰性求值特性[ref_2]。 ```python # 列表推导式：立即计算，占用内存 squares_list = [x**2 for x in range(1000000)] # 内存消耗大 # 生成器表达式：惰性计算，几乎不占内存 squares_gen = (x**2 for x in range(1000000)) print(next(squares_gen)) # 输出: 0 print(next(squares_gen)) # 输出: 1 # 可以用于for循环，但一次只生成一个值 ``` #### **4. 内置迭代工具** Python的 `itertools` 模块提供了丰富的迭代器构建块[ref_4]。 ```python import itertools # 无限迭代器 counter = itertools.count(start=10, step=2) # 从10开始，步长为2的无限计数器 print(next(counter)) # 10 print(next(counter)) # 12 # 有限迭代器 letters = ['A', 'B', 'C'] cycles = itertools.cycle(letters) # 无限循环序列 print([next(cycles) for _ in range(5)]) # ['A', 'B', 'C', 'A', 'B'] # 排列组合 perms = itertools.permutations([1, 2, 3], 2) # 2个元素的所有排列 print(list(perms)) # [(1, 2), (1, 3), (2, 1), (2, 3), (3, 1), (3, 2)] ``` #### **5. 迭代器 vs 生成器的核心区别** 尽管生成器是迭代器，但它们的创建方式和内存管理策略不同： | 特性 | 迭代器 (Iterator) | 生成器 (Generator) | | :--- | :--- | :--- | | **实现方式** | 需显式定义 `__iter__` 和 `__next__` 方法的类。 | 使用包含 `yield` 的函数或生成器表达式。 | | **状态保存** | 通过实例属性（如 `self.current`）手动管理。 | 由Python解释器自动保存函数帧（局部变量、指令指针等）。 | | **代码简洁性** | 相对冗长。 | 极为简洁，自动实现迭代器协议。 | | **主要用途** | 需要复杂状态管理或特殊迭代逻辑时。 | 快速创建惰性序列、处理流式数据的首选。 | | **内存占用** | 取决于实现，通常需预存或计算数据。 | **极低**，一次只生成一个值，适合大数据集[ref_6]。 | **总结**：Python的迭代机制通过可迭代对象、迭代器和生成器三个层次，提供了从基础遍历到高级惰性计算的完整解决方案。理解 `for` 循环背后的 `iter()` 和 `next()` 调用，掌握自定义迭代器类与 `yield` 生成器的写法，是编写高效、Pythonic代码的关键。在处理大规模数据或需要复杂迭代逻辑时，优先考虑生成器和 `itertools` 模块中的工具，可以显著提升程序性能和可读性[ref_4][ref_6]。