Python生成器用法与内存优化技巧
今日不肯埋头,明日何以抬头!每日一句努力自己的话哈哈~哈喽,今天我将给大家带来一篇《Python生成器使用与内存优化技巧》,主要内容是讲解等等,感兴趣的朋友可以收藏或者有更好的建议在评论提出,我都会认真看的!大家一起进步,一起学习!
生成器是Python中用于节省内存处理数据的强大特性,它按需生成值而非一次性生成所有数据。1.生成器函数使用yield关键字产生值,调用时返回生成器对象并暂停执行,每次调用next()方法继续执行到下一个yield语句;2.生成器表达式类似列表推导式但使用圆括号,返回生成器对象适合简单逻辑;3.生成器节省内存的原因在于只在需要时生成数据,不一次性加载全部数据;4.生成器本质上是迭代器,自动实现__iter__()和__next__()方法,但创建更方便;5.适用场景包括处理大型数据集、生成无限序列、惰性计算及简化代码;6.生成器通过yield保持和恢复状态,便于处理复杂逻辑;7.在并发编程中可用于创建协程,配合asyncio库实现异步编程。

生成器是Python中一个强大的特性,它允许你以一种更节省内存的方式来处理数据。简单来说,生成器不是一次性生成所有数据,而是按需生成,就像一个迭代器一样,每次只产生一个值。

解决方案

Python中创建生成器有两种主要方式:生成器函数和生成器表达式。
生成器函数:

生成器函数使用
yield关键字来产生值。当调用生成器函数时,它不会立即执行函数体,而是返回一个生成器对象。每次调用生成器对象的next()方法(或者在for循环中使用)时,生成器函数会执行到yield语句,产生一个值并暂停执行。下次调用next()时,它会从上次暂停的地方继续执行,直到遇到下一个yield语句,或者函数结束。def my_generator(n): i = 0 while i < n: yield i i += 1 # 创建一个生成器对象 gen = my_generator(5) # 使用 next() 方法获取值 print(next(gen)) # 输出: 0 print(next(gen)) # 输出: 1 # 使用 for 循环迭代 for value in my_generator(3): print(value) # 输出: 0, 1, 2需要注意的是,当生成器函数执行完毕(或者遇到
return语句)时,再调用next()方法会抛出StopIteration异常。生成器表达式:
生成器表达式类似于列表推导式,但使用圆括号
()而不是方括号[]。生成器表达式返回一个生成器对象,而不是一个列表。# 生成器表达式 gen = (x * x for x in range(5)) # 使用 next() 方法或 for 循环迭代 print(next(gen)) # 输出: 0 for value in gen: print(value) # 输出: 1, 4, 9, 16生成器表达式的优点是简洁,适合于简单的生成器逻辑。
生成器为什么能节省内存?因为它们不会一次性将所有数据加载到内存中。它们只在需要时生成数据,这意味着无论数据量有多大,生成器始终只占用少量内存。
生成器表达式更像是lambda函数和列表推导式的结合,可以更方便地写出简洁的代码。
生成器和迭代器有什么区别和联系?
生成器本质上是一种迭代器。迭代器是一个对象,它实现了 __iter__() 和 __next__() 方法。__iter__() 方法返回迭代器对象本身,__next__() 方法返回下一个值。生成器自动实现了这些方法,所以你可以像使用迭代器一样使用生成器。
区别在于,迭代器通常需要手动创建类来实现,而生成器可以使用函数或表达式更方便地创建。所有生成器都是迭代器,但并非所有迭代器都是生成器。
在哪些场景下应该使用生成器?
处理大型数据集: 当你需要处理的数据集非常大,无法一次性加载到内存中时,生成器非常有用。例如,读取一个大型日志文件,逐行处理。
def read_large_file(file_path): with open(file_path, 'r') as f: for line in f: yield line.strip() # 处理大型日志文件 for line in read_large_file('large_log_file.txt'): # 处理每一行数据 print(line)无限序列: 当你需要生成一个无限序列时,生成器是唯一的选择。因为你不可能一次性将无限序列存储在内存中。
def fibonacci_sequence(): a, b = 0, 1 while True: yield a a, b = b, a + b # 生成斐波那契数列 fib = fibonacci_sequence() for i in range(10): print(next(fib)) # 输出斐波那契数列的前10个数字惰性计算: 当你需要延迟计算,只在需要时才计算值时,生成器很有用。这可以提高程序的效率,避免不必要的计算。
def expensive_calculation(x): # 模拟耗时的计算 import time time.sleep(1) return x * x def lazy_evaluation(data): for x in data: yield expensive_calculation(x) # 惰性计算 data = [1, 2, 3, 4, 5] results = lazy_evaluation(data) # 只有在需要时才计算值 print(next(results)) # 输出: 1 (耗时1秒) print(next(results)) # 输出: 4 (耗时1秒)简化代码: 使用生成器可以使代码更简洁、更易读。例如,可以使用生成器表达式代替复杂的循环结构。
生成器表达式可以简化代码,但过度使用可能会降低可读性。应该权衡简洁性和可读性。
生成器如何进行状态保持和恢复?
生成器的状态保持是通过 yield 关键字实现的。当生成器函数执行到 yield 语句时,它会暂停执行,并将当前的状态(包括局部变量、指令指针等)保存下来。下次调用 next() 方法时,它会从上次暂停的地方继续执行,恢复之前的状态。
这种状态保持和恢复的机制使得生成器可以处理复杂的状态转换和逻辑,而无需手动管理状态。
def stateful_generator():
state = 0
while True:
if state == 0:
yield "State 0"
state = 1
elif state == 1:
yield "State 1"
state = 2
else:
yield "State 2"
state = 0
# 使用状态生成器
gen = stateful_generator()
for i in range(5):
print(next(gen))生成器在并发编程中的应用场景
生成器在并发编程中可以用于创建协程,实现异步编程。协程是一种轻量级的线程,可以在单线程中实现并发执行。
Python的 asyncio 库提供了对协程的支持。可以使用 async 和 await 关键字来定义和使用协程。
import asyncio
async def my_coroutine(n):
print(f"Coroutine {n}: Starting")
await asyncio.sleep(1) # 模拟耗时操作
print(f"Coroutine {n}: Ending")
return f"Result from coroutine {n}"
async def main():
# 创建多个协程任务
tasks = [my_coroutine(i) for i in range(3)]
# 并发执行协程任务
results = await asyncio.gather(*tasks)
# 处理结果
print(f"Results: {results}")
# 运行事件循环
asyncio.run(main())在这个例子中,my_coroutine 函数是一个协程,它使用 await 关键字来暂停执行,等待 asyncio.sleep() 函数完成。asyncio.gather() 函数用于并发执行多个协程任务,并返回一个包含所有结果的列表。
生成器与迭代器的结合,为异步编程提供了强大的工具。它们可以简化异步代码的编写,提高程序的并发性能。
今天关于《Python生成器用法与内存优化技巧》的内容介绍就到此结束,如果有什么疑问或者建议,可以在golang学习网公众号下多多回复交流;文中若有不正之处,也希望回复留言以告知!
PHP集成RabbitMQ处理异步任务教程
- 上一篇
- PHP集成RabbitMQ处理异步任务教程
- 下一篇
- JS脚本入门教程详解
-
- 文章 · python教程 | 4小时前 | 线程池 · Python 线程池 concurrent.futures 任务取消 Future.cancel
- Python concurrent.futures.Future.cancel 怎样判断任务能否取消
- 143浏览 收藏
-
- 文章 · python教程 | 4小时前 | 标准库 · HTTP服务 · 多线程 · Python教程 · Python 并发请求 http.server ThreadingHTTPServer ThreadingMixIn BaseHTTPRequestHandler
- Python http.server ThreadingHTTPServer 怎样处理并发请求
- 481浏览 收藏
-
- 文章 · python教程 | 4小时前 |
- Python tarfile.TarInfo.replace 怎样复制归档成员属性
- 308浏览 收藏
-
- 文章 · python教程 | 4小时前 | 并发编程 · Python教程 · Python 多进程 multiprocessing forkserver 启动上下文
- Python multiprocessing forkserver 怎样处理进程启动上下文
- 232浏览 收藏
-
- 文章 · python教程 | 4小时前 | 标准库 · 异步编程 · Python教程 · Python asyncio StreamReader readexactly IncompleteReadError 异步流
- Python asyncio.StreamReader.readexactly 怎样处理不足长度的输入
- 427浏览 收藏
-
- 文章 · python教程 | 4小时前 |
- Python operator.length_hint 怎样为未知长度迭代器设置估计值
- 336浏览 收藏
-
- 文章 · python教程 | 5小时前 | 标准库 · Python教程 · Python warnings catch_warnings simplefilter filterwarnings 警告过滤
- Python warnings context manager 怎样临时调整警告过滤
- 255浏览 收藏
-
- 文章 · python教程 | 5小时前 | 调试 · python · 异步编程 · Python asyncio introspection current_task all_tasks
- Python asyncio introspection 怎样定位当前任务
- 120浏览 收藏
-
- 文章 · python教程 | 5小时前 | 标准库 · Python教程 · Python 类型注解 Python 3.14 annotationlib get_annotations ForwardRef 延迟注解
- Python 3.14 annotationlib.get_annotations 怎样读取延迟注解
- 423浏览 收藏
-
- 文章 · python教程 | 5小时前 |
- Python 3.14 跨解释器 Queue.put 的阻塞与 QueueFull 处理方案
- 157浏览 收藏
-
- 文章 · python教程 | 22小时前 | xml · python · Python xml xml.etree.ElementTree canonicalize C14N
- Python xml.etree.ElementTree.canonicalize 怎样生成稳定的 XML 文本
- 151浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1145次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1129次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1309次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1246次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1099次使用
-
- Python TaskGroup 怎样让子任务失败统一收敛
- 2026-11-12 501浏览
-
- Python xml.dom.minidom.unlink 怎样释放不再使用的 DOM 树引用
- 2026-10-27 501浏览
-
- Python typing 怎样用 TypeIs 缩小类型
- 2026-10-24 501浏览
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览

