Python生成器：高效处理大数据的秘密武器

news2025/5/16 14:44:29

生成器概述

生成器是 Python 中的一种特殊迭代器，通过普通函数的语法实现，但使用 yield 语句返回数据。生成器自动实现了 __iter__() 和 __next__() 方法，因此可以直接用于迭代。生成器的核心特点是延迟计算（lazy evaluation），即只在需要时生成下一个值，而不是一次性计算并存储所有值。

生成器的作用与优势

作用：

节省内存空间
按需生成数据项
支持无限序列生成
简化复杂迭代逻辑的代码

优势：

内存效率高，适用于大数据集
可以创建惰性求值的数据流
代码结构更加简洁易读

生成器的使用场景

场景	描述
处理大数据集	当数据量非常大以至于无法全部加载到内存中时，生成器可以逐个生成数据项
创建无限序列	如自然数列、斐波那契数列等理论上没有终点的数据流
简化代码结构	在某些情况下，使用生成器可以让代码更加简洁、易维护

生成器表达式 vs 列表推导式

类型	语法	是否立即执行	示例	特点
列表推导式	使用方括号 `[]`	✅ 是	`[i * 5 for i in range(5)]`	立即计算结果并保存在内存中
生成器表达式	使用圆括号 `()`	❌ 否	`(i * 5 for i in range(5))`	延迟计算，每次迭代才会生成一个值

示例代码：

li = [i * 5 for i in range(5)]
print(li)  # 输出: [0, 5, 10, 15, 20]

gen = (i * 5 for i in range(5))
print(gen)  # 输出: <generator object ...>
print(gen.__next__())  # 输出: 0

生成器函数：yield 的作用

带有 yield 关键字的函数称为生成器函数。它不像普通函数那样返回一个值后就结束，而是可以在多个调用之间“暂停”和“恢复”。类似于中断函数。

yield 的特点：

每次调用 next() 会从上次 yield 的位置继续执行
保留函数的状态
返回值不会被一次性计算出来，而是按需生成

示例代码：

def test():
    yield 'a'
    yield 'b'
    yield 'c'

gen = test()
print(gen.__next__())  # 输出: a
print(gen.__next__())  # 输出: b
print(gen.__next__())  # 输出: c

可迭代对象、迭代器、生成器三者关系

名称	定义	特点
可迭代对象（Iterable）	实现了 `__iter__()` 方法的对象	可以用 `for...in` 遍历，如 `list`、`str`、`dict`、迭代器、生成器
迭代器（Iterator）	实现了 `__next__()` 方法的对象	可以使用 `next()` 获取下一个元素
生成器（Generator）	一种特殊的迭代器，由 `yield` 函数或生成器表达式产生	自动实现 `__iter__()` 和 `__next__()`

三者关系图示：

可迭代对象包含迭代器迭代器包含生成器

可迭代对象 ⊃ 迭代器 ⊃ 生成器

实战对比：列表 vs 生成器处理大数据

比较两种方式处理一千万个数字（0~9999999），并对每个数字进行平方操作。

使用模块：

time：用于计时
sys：用于查看内存占用

代码如下：

import time
import sys

# 方法一：使用列表
def use_list():
    start_time = time.time()

    numbers = [i for i in range(10_000_000)]  # 生成列表
    squares = [x * x for x in numbers]         # 计算平方

    end_time = time.time()
    print(f"【列表】耗时: {end_time - start_time:.4f} 秒")
    print(f"【列表】占用内存: {sys.getsizeof(numbers) + sys.getsizeof(squares)} 字节")

# 方法二：使用生成器
def number_generator(n):
    for i in range(n):
        yield i

def use_generator():
    start_time = time.time()

    gen = number_generator(10_000_000)
    squares = (x * x for x in gen)  # 生成器表达式，不会立即计算

    count = 0
    for square in squares:
        count += 1  # 强制执行生成器

    end_time = time.time()
    print(f"【生成器】耗时: {end_time - start_time:.4f} 秒")
    print(f"【生成器】生成器对象本身占用内存: {sys.getsizeof(gen)} 字节")

# 运行测试
print("=== 开始测试 ===\n")
use_list()
print("\n------------------------\n")
use_generator()
print("\n=== 测试结束 ===")

结果分析（根据机器性能不同，数值可能略有差异）：