function generator 3python ¿Qué hace la palabra clave "rendimiento"?




15 Answers

Grokking directo al yield Grokking

Cuando vea una función con declaraciones de yield , aplique este truco fácil para comprender lo que sucederá:

  1. Inserte un result = [] línea result = [] al inicio de la función.
  2. Reemplace cada yield expr con result.append(expr) .
  3. Inserte un return result línea en la parte inferior de la función.
  4. Yay - no más declaraciones de yield ! Leer y averiguar el código.
  5. Comparar la función con la definición original.

Este truco puede darle una idea de la lógica detrás de la función, pero lo que realmente sucede con el yield es significativamente diferente de lo que sucede en el enfoque basado en listas. En muchos casos, el enfoque de rendimiento será mucho más eficiente en memoria y también más rápido. En otros casos, este truco te dejará atrapado en un bucle infinito, aunque la función original funcione bien. Sigue leyendo para saber más ...

No confunda sus iterables, iteradores y generadores

Primero, el protocolo iterador - cuando escribes

for x in mylist:
    ...loop body...

Python realiza los siguientes dos pasos:

  1. Obtiene un iterador para mylist :

    Call iter(mylist) -> esto devuelve un objeto con un método next() (o __next__() en Python 3).

    [Este es el paso que la mayoría de la gente olvida para contarte]

  2. Utiliza el iterador para hacer un bucle sobre los elementos:

    Siga llamando al método next() en el iterador devuelto desde el paso 1. El valor de retorno de next() se asigna a x y se ejecuta el cuerpo del bucle. Si se StopIteration una excepción StopIteration desde dentro de next() , significa que no hay más valores en el iterador y se sale del bucle.

La verdad es que Python realiza los dos pasos anteriores siempre que quiera recorrer el contenido de un objeto, por lo que podría ser un bucle for, pero también podría ser un código como otherlist.extend(mylist) (donde otherlist es una lista de Python) .

Aquí mylist es un iterable porque implementa el protocolo iterador. En una clase definida por el usuario, puede implementar el __iter__() para hacer iterables las instancias de su clase. Este método debe devolver un iterador . Un iterador es un objeto con un método next() . Es posible implementar tanto __iter__() como next() en la misma clase, y tener __iter__() devuelto self . Esto funcionará para casos simples, pero no cuando desee que dos iteradores pasen sobre el mismo objeto al mismo tiempo.

Así que ese es el protocolo del iterador, muchos objetos implementan este protocolo:

  1. Listas incorporadas, diccionarios, tuplas, conjuntos, archivos.
  2. Clases definidas por el usuario que implementan __iter__() .
  3. Generadores

Tenga en cuenta que un bucle for no sabe con qué tipo de objeto está tratando, simplemente sigue el protocolo del iterador y está feliz de obtener un elemento tras otro cuando llama a next() . Las listas incorporadas devuelven sus elementos uno por uno, los diccionarios devuelven las claves una por una, los archivos devuelven las líneas una por una, etc. Y los generadores devuelven ... bueno, ahí es donde entra el yield

def f123():
    yield 1
    yield 2
    yield 3

for item in f123():
    print item

En lugar de declaraciones de yield , si tuviera tres declaraciones de return en f123() solo se ejecutaría la primera y la función se cerraría. Pero f123() no es una función ordinaria. Cuando se llama a f123() , ¡ no devuelve ninguno de los valores en las declaraciones de rendimiento! Devuelve un objeto generador. Además, la función realmente no sale, entra en un estado suspendido. Cuando el bucle for intenta recorrer el objeto generador, la función se reanuda desde su estado suspendido en la siguiente línea después del yield que devolvió anteriormente, ejecuta la siguiente línea de código, en este caso una declaración de yield , y la devuelve como el siguiente articulo Esto sucede hasta que la función sale, en cuyo punto el generador genera StopIteration y el bucle sale.

Así que el objeto generador es como un adaptador: en un extremo exhibe el protocolo del iterador, al exponer los __iter__() y next() para mantener el bucle for feliz. Sin embargo, en el otro extremo, ejecuta la función lo suficiente para obtener el siguiente valor y la pone de nuevo en modo suspendido.

¿Por qué usar generadores?

Por lo general, puede escribir código que no use generadores pero implemente la misma lógica. Una opción es usar el truco de la lista temporal que mencioné anteriormente. Eso no funcionará en todos los casos, por ejemplo, si tiene bucles infinitos, o puede hacer un uso ineficiente de la memoria cuando tiene una lista realmente larga. El otro enfoque es implementar una nueva clase iterable SomethingIter que mantenga el estado en los miembros de la instancia y realice el siguiente paso lógico en su método next() (o __next__() en Python 3). Dependiendo de la lógica, el código dentro del método next() puede terminar pareciendo muy complejo y ser propenso a errores. Aquí los generadores proporcionan una solución limpia y fácil.

what is a python generator

¿Cuál es el uso de la palabra clave de yield en Python? ¿Qué hace?

Por ejemplo, estoy tratando de entender este código 1 :

def _get_child_candidates(self, distance, min_dist, max_dist):
    if self._leftchild and distance - max_dist < self._median:
        yield self._leftchild
    if self._rightchild and distance + max_dist >= self._median:
        yield self._rightchild  

Y esta es la persona que llama:

result, candidates = [], [self]
while candidates:
    node = candidates.pop()
    distance = node._get_dist(obj)
    if distance <= max_dist and distance >= min_dist:
        result.extend(node._values)
    candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))
return result

¿Qué sucede cuando se llama al método _get_child_candidates ? ¿Se devuelve una lista? ¿Un solo elemento? ¿Se llama de nuevo? ¿Cuándo se detendrán las llamadas subsiguientes?

1. El código proviene de Jochen Schulz (jrschulz), quien creó una excelente biblioteca de Python para espacios métricos. Este es el enlace a la fuente completa: Módulo mspace .




La palabra clave de yield se reduce a dos hechos simples:

  1. Si el compilador detecta la palabra clave de yield cualquier lugar dentro de una función, esa función ya no regresa a través de la declaración de return . En su lugar , devuelve inmediatamente un objeto de "lista pendiente" perezoso llamado generador
  2. Un generador es iterable. ¿Qué es un iterable ? Es algo parecido a una list o set o range o vista de dictado, con un protocolo incorporado para visitar cada elemento en un cierto orden .

En pocas palabras: un generador es una lista perezosa, con pendientes incrementales , y las declaraciones de yield permiten usar la notación de funciones para programar los valores de la lista que el generador debe escupir de manera incremental.

generator = myYieldingFunction(...)
x = list(generator)

   generator
       v
[x[0], ..., ???]

         generator
             v
[x[0], x[1], ..., ???]

               generator
                   v
[x[0], x[1], x[2], ..., ???]

                       StopIteration exception
[x[0], x[1], x[2]]     done

list==[x[0], x[1], x[2]]

Ejemplo

Definamos una función makeRange que sea igual que el range de Python. Llamando a makeRange(n) A GENERADOR:

def makeRange(n):
    # return 0,1,2,...,n-1
    i = 0
    while i < n:
        yield i
        i += 1

>>> makeRange(5)
<generator object makeRange at 0x19e4aa0>

Para forzar al generador a devolver inmediatamente sus valores pendientes, puede pasarlo a la list() (como si fuera posible):

>>> list(makeRange(5))
[0, 1, 2, 3, 4]

Comparando ejemplo con "solo devolviendo una lista"

Se puede considerar que el ejemplo anterior simplemente crea una lista a la que se agrega y devuelve:

# list-version                   #  # generator-version
def makeRange(n):                #  def makeRange(n):
    """return [0,1,2,...,n-1]""" #~     """return 0,1,2,...,n-1"""
    TO_RETURN = []               #>
    i = 0                        #      i = 0
    while i < n:                 #      while i < n:
        TO_RETURN += [i]         #~         yield i
        i += 1                   #          i += 1  ## indented
    return TO_RETURN             #>

>>> makeRange(5)
[0, 1, 2, 3, 4]

Sin embargo, hay una gran diferencia; Consulte la última sección.

Como puedes usar generadores

Una iterable es la última parte de una lista de comprensión, y todos los generadores son iterables, por lo que a menudo se usan así:

#                   _ITERABLE_
>>> [x+10 for x in makeRange(5)]
[10, 11, 12, 13, 14]

Para tener una mejor idea de los generadores, puede jugar con el módulo de itertools (asegúrese de usar chain.from_iterable lugar de chain cuando chain.from_iterable justificado). Por ejemplo, incluso podría usar generadores para implementar listas perezosas infinitamente largas como itertools.count() . Puede implementar su propia def enumerate(iterable): zip(count(), iterable) , o alternativamente hacerlo con la palabra clave de yield en un bucle while.

Tenga en cuenta que los generadores se pueden usar para muchas más cosas, como implementar coroutines o programación no determinista u otras cosas elegantes. Sin embargo, el punto de vista de las "listas perezosas" que presento aquí es el uso más común que encontrará.

Entre bastidores

Así es como funciona el "protocolo de iteración de Python". Es decir, qué sucede cuando haces la list(makeRange(5)) . Esto es lo que describo anteriormente como una "lista perezosa e incremental".

>>> x=iter(range(5))
>>> next(x)
0
>>> next(x)
1
>>> next(x)
2
>>> next(x)
3
>>> next(x)
4
>>> next(x)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration

La función incorporada next() simplemente llama a la función .next() los objetos, que forma parte del "protocolo de iteración" y se encuentra en todos los iteradores. Puede usar manualmente la función next() (y otras partes del protocolo de iteración) para implementar cosas sofisticadas, generalmente a expensas de la legibilidad, así que trate de evitar hacer eso ...

Minucias

Normalmente, la mayoría de las personas no se preocupan por las siguientes distinciones y probablemente quieran dejar de leer aquí.

En lenguaje Python, un iterable es cualquier objeto que "entiende el concepto de un bucle for" como una lista [1,2,3] , y un iterador es una instancia específica del bucle for solicitado como [1,2,3].__iter__() . Un generador es exactamente igual que cualquier iterador, excepto por la forma en que fue escrito (con sintaxis de función).

Cuando solicita un iterador de una lista, crea un nuevo iterador. Sin embargo, cuando solicita un iterador de un iterador (lo que rara vez haría), solo le da una copia de sí mismo.

Por lo tanto, en el improbable caso de que no esté haciendo algo como esto ...

> x = myRange(5)
> list(x)
[0, 1, 2, 3, 4]
> list(x)
[]

... entonces recuerda que un generador es un iterador ; es decir, es de un solo uso. Si desea reutilizarlo, debe llamar a myRange(...) nuevamente. Si necesita usar el resultado dos veces, convierta el resultado en una lista y guárdelo en una variable x = list(myRange(5)) . Aquellos que absolutamente necesitan clonar un generador (por ejemplo, que están realizando una metaprogramación terriblemente pirata) pueden usar itertools.tee si es absolutamente necesario, ya que la propuesta de los estándares de Python PEP que se puede itertools.tee puede ser diferida.




yieldes como return- devuelve lo que le digas (como generador). La diferencia es que la próxima vez que llame al generador, la ejecución comenzará desde la última llamada a la yielddeclaración. A diferencia del retorno, el marco de la pila no se limpia cuando se produce un rendimiento, sin embargo, el control se transfiere de nuevo a la persona que llama, por lo que su estado se reanudará la próxima vez que la función.

En el caso de su código, la función get_child_candidatesactúa como un iterador, de modo que cuando extiende su lista, agrega un elemento a la vez a la nueva lista.

list.extendllama a un iterador hasta que se agota. En el caso del ejemplo de código que publicó, sería mucho más claro simplemente devolver una tupla y adjuntarlo a la lista.




Para aquellos que prefieren un ejemplo de trabajo mínimo, medite en esta sesión interactiva de Python :

>>> def f():
...   yield 1
...   yield 2
...   yield 3
... 
>>> g = f()
>>> for i in g:
...   print i
... 
1
2
3
>>> for i in g:
...   print i
... 
>>> # Note that this time nothing was printed



TL; DR

En lugar de esto:

def squares_list(n):
    the_list = []                         # Replace
    for x in range(n):
        y = x * x
        the_list.append(y)                # these
    return the_list                       # lines

hacer esto:

def squares_the_yield_way(n):
    for x in range(n):
        y = x * x
        yield y                           # with this one.

Cada vez que te encuentres construyendo una lista desde cero, yieldcada pieza en su lugar.

Este fue mi primer momento "aha" con rendimiento.

yield es una forma dulce de decir

construir una serie de cosas

Mismo comportamiento:

>>> for square in squares_list(4):
...     print(square)
...
0
1
4
9
>>> for square in squares_the_yield_way(4):
...     print(square)
...
0
1
4
9

Diferente comportamiento

El rendimiento es de una sola pasada : solo se puede iterar una vez. Cuando una función tiene un rendimiento, la llamamos una función de generador . Y un iterator es lo que devuelve. Eso es revelador. Perdemos la conveniencia de un contenedor, pero ganamos el poder de una serie arbitrariamente larga.

El rendimiento es perezoso , posterga el cálculo. Una función con un rendimiento no se ejecuta en realidad cuando la llamas. El objeto iterador que devuelve utiliza magic para mantener el contexto interno de la función. Cada vez que llama next()al iterador (esto sucede en un bucle for), la ejecución avanza hasta el siguiente rendimiento. ( returnSube StopIterationy termina la serie.)

El rendimiento es versátil . Puede hacer bucles infinitos:

>>> def squares_all_of_them():
...     x = 0
...     while True:
...         yield x * x
...         x += 1
...
>>> squares = squares_all_of_them()
>>> for _ in range(4):
...     print(next(squares))
...
0
1
4
9

Si necesita varios pases y la serie no es demasiado larga, solo tiene que llamar list():

>>> list(squares_the_yield_way(4))
[0, 1, 4, 9]

Brillante elección de la palabra yieldporque ambos significados se aplican:

rendimiento - producir o proporcionar (como en la agricultura)

... proporcionar los siguientes datos en la serie.

ceder o ceder (como en el poder político)

... renunciar a la ejecución de la CPU hasta que el iterador avance.




Hay un tipo de respuesta que siento que aún no se ha dado, entre las muchas respuestas geniales que describen cómo usar los generadores. Aquí está la respuesta de la teoría del lenguaje de programación:

La yielddeclaración en Python devuelve un generador. Un generador en Python es una función que devuelve continuaciones (y específicamente un tipo de coroutine, pero las continuaciones representan el mecanismo más general para entender lo que está sucediendo).

Las continuaciones en la teoría de los lenguajes de programación son un tipo de cálculo mucho más fundamental, pero no se usan con frecuencia, porque son extremadamente difíciles de razonar y también muy difíciles de implementar. Pero la idea de qué es una continuación es directa: es el estado de una computación que aún no ha terminado. En este estado, se guardan los valores actuales de las variables, las operaciones que aún no se han realizado, etc. Luego, en algún momento más adelante en el programa, se puede invocar la continuación, de manera que las variables del programa se restablecen a ese estado y se llevan a cabo las operaciones que se guardaron.

Las continuaciones, en esta forma más general, se pueden implementar de dos maneras. En el call/cccamino, la pila del programa se guarda literalmente y luego, cuando se invoca la continuación, la pila se restaura.

En el estilo de paso de continuación (CPS), las continuaciones son solo funciones normales (solo en idiomas donde las funciones son de primera clase) que el programador gestiona explícitamente y pasa a las subrutinas. En este estilo, el estado del programa se representa mediante cierres (y las variables que se codifican en ellos) en lugar de variables que residen en algún lugar de la pila. Las funciones que administran el flujo de control aceptan la continuación como argumentos (en algunas variaciones de CPS, las funciones pueden aceptar múltiples continuaciones) y manipulan el flujo de control invocándolos simplemente llamándolos y devolviéndolos después. Un ejemplo muy simple de estilo de paso de continuación es el siguiente:

def save_file(filename):
  def write_file_continuation():
    write_stuff_to_file(filename)

  check_if_file_exists_and_user_wants_to_overwrite(write_file_continuation)

En este ejemplo (muy simplista), el programador guarda la operación de escribir realmente el archivo en una continuación (lo que potencialmente puede ser una operación muy compleja con muchos detalles para escribir), y luego pasa esa continuación (es decir, como primera opción). cierre de clase) a otro operador que realiza un procesamiento más, y luego lo llama si es necesario. (Uso mucho este patrón de diseño en la programación de GUI real, ya sea porque me ahorra líneas de código o, lo que es más importante, para administrar el flujo de control después de que se activen los eventos de GUI).

El resto de este post, sin pérdida de generalidad, conceptualizará las continuaciones como CPS, porque es mucho más fácil de entender y leer.


Ahora hablemos de generadores en Python. Los generadores son un subtipo específico de continuación. Mientras que las continuaciones pueden en general guardar el estado de un cálculo (es decir, la pila de llamadas del programa), los generadores solo pueden guardar el estado de iteración en un iterador . Aunque, esta definición es ligeramente engañosa para ciertos casos de uso de generadores. Por ejemplo:

def f():
  while True:
    yield 4

Este es claramente un iterable razonable cuyo comportamiento está bien definido: cada vez que el generador itera sobre él, devuelve 4 (y lo hace para siempre). Pero probablemente no es el tipo de prototipo de iterable lo que viene a la mente cuando se piensa en iteradores (es decir, for x in collection: do_something(x)). Este ejemplo ilustra la potencia de los generadores: si algo es un iterador, un generador puede guardar el estado de su iteración.

Para reiterar: las continuaciones pueden guardar el estado de la pila de un programa y los generadores pueden guardar el estado de iteración. Esto significa que las continuaciones son mucho más poderosas que los generadores, pero también que los generadores son mucho más fáciles. Son más fáciles de implementar para el diseñador lingüístico y más fáciles de usar para el programador (si tiene tiempo para grabar, intente leer y comprender esta página sobre las continuaciones y call / cc ).

Pero podría implementar (y conceptualizar) generadores fácilmente como un caso simple y específico de estilo de aprobación de aprobación:

Cada vez que yieldse llama, le dice a la función que devuelva una continuación. Cuando se vuelve a llamar a la función, comienza desde donde la dejó. Entonces, en pseudo-pseudocódigo (es decir, no pseudocódigo, pero no código) el nextmétodo del generador es básicamente el siguiente:

class Generator():
  def __init__(self,iterable,generatorfun):
    self.next_continuation = lambda:generatorfun(iterable)

  def next(self):
    value, next_continuation = self.next_continuation()
    self.next_continuation = next_continuation
    return value

donde la yieldpalabra clave es realmente azúcar sintáctica para la función del generador real, básicamente algo como:

def generatorfun(iterable):
  if len(iterable) == 0:
    raise StopIteration
  else:
    return (iterable[0], lambda:generatorfun(iterable[1:]))

Recuerde que esto es solo un pseudocódigo y la implementación real de los generadores en Python es más compleja. Pero como ejercicio para comprender lo que está sucediendo, intente usar el estilo de paso de continuación para implementar objetos generadores sin usar la yieldpalabra clave.




Si bien muchas respuestas muestran por qué usarías un yieldpara crear un generador, hay más usos para yield. Es bastante fácil hacer una corrutina, que permite el paso de información entre dos bloques de código. No repetiré ninguno de los buenos ejemplos que ya se han dado sobre el uso yieldpara crear un generador.

Para ayudar a entender lo que yieldhace en el siguiente código, puede usar su dedo para rastrear el ciclo a través de cualquier código que tenga un yield. Cada vez que su dedo golpea el botón yield, debe esperar a que se ingrese un nexto un send. Cuando nextse llama a, se rastrea a través del código hasta que se golpea el yield... el código a la derecha del yieldes evaluado y devuelto a la persona que llama ... luego espera. Cuando nextse vuelve a llamar, se realiza otro bucle a través del código. Sin embargo, observará que, en una rutina, yieldtambién se puede usar con un send... que enviará un valor desde el llamante a la función de rendimiento. Si a sendse da, entoncesyieldrecibe el valor enviado y lo escupe en el lado izquierdo ... luego la traza a través del código progresa hasta que lo golpeas yieldnuevamente (devolviendo el valor al final, como si nextse llamara).

Por ejemplo:

>>> def coroutine():
...     i = -1
...     while True:
...         i += 1
...         val = (yield i)
...         print("Received %s" % val)
...
>>> sequence = coroutine()
>>> sequence.next()
0
>>> sequence.next()
Received None
1
>>> sequence.send('hello')
Received hello
2
>>> sequence.close()



Iba a publicar "lea la página 19 de 'Python: Essential Reference' de Beazley para obtener una descripción rápida de los generadores", pero muchos otros ya han publicado buenas descripciones.

Además, tenga en cuenta que yieldse puede utilizar en coroutines como el doble de su uso en las funciones del generador. Aunque no es el mismo uso que su fragmento de código, (yield)puede usarse como una expresión en una función. Cuando una persona que llama envía un valor al método usando el send()método, entonces la rutina se ejecutará hasta (yield)que se encuentre la siguiente declaración.

Los generadores y las corrutinas son una forma excelente de configurar aplicaciones de tipo de flujo de datos. Pensé que valdría la pena conocer el otro uso de la yielddeclaración en las funciones.




Desde un punto de vista de programación, los iteradores se implementan como thunks .

Para implementar iteradores, generadores y grupos de subprocesos para ejecución concurrente, etc. como thunks (también llamadas funciones anónimas), uno usa mensajes enviados a un objeto de cierre, que tiene un distribuidor, y el distribuidor responde a los "mensajes".

http://en.wikipedia.org/wiki/Message_passing

" siguiente " es un mensaje enviado a un cierre, creado por la llamada " iter ".

Hay muchas formas de implementar este cálculo. Usé la mutación, pero es fácil hacerlo sin la mutación, devolviendo el valor actual y el siguiente productor.

Aquí hay una demostración que usa la estructura de R6RS, pero la semántica es absolutamente idéntica a la de Python. Es el mismo modelo de cálculo, y solo se requiere un cambio en la sintaxis para volver a escribirlo en Python.

Welcome to Racket v6.5.0.3.

-> (define gen
     (lambda (l)
       (define yield
         (lambda ()
           (if (null? l)
               'END
               (let ((v (car l)))
                 (set! l (cdr l))
                 v))))
       (lambda(m)
         (case m
           ('yield (yield))
           ('init  (lambda (data)
                     (set! l data)
                     'OK))))))
-> (define stream (gen '(1 2 3)))
-> (stream 'yield)
1
-> (stream 'yield)
2
-> (stream 'yield)
3
-> (stream 'yield)
'END
-> ((stream 'init) '(a b))
'OK
-> (stream 'yield)
'a
-> (stream 'yield)
'b
-> (stream 'yield)
'END
-> (stream 'yield)
'END
->



Aquí hay un ejemplo simple:

def isPrimeNumber(n):
    print "isPrimeNumber({}) call".format(n)
    if n==1:
        return False
    for x in range(2,n):
        if n % x == 0:
            return False
    return True

def primes (n=1):
    while(True):
        print "loop step ---------------- {}".format(n)
        if isPrimeNumber(n): yield n
        n += 1

for n in primes():
    if n> 10:break
    print "wiriting result {}".format(n)

Salida:

loop step ---------------- 1
isPrimeNumber(1) call
loop step ---------------- 2
isPrimeNumber(2) call
loop step ---------------- 3
isPrimeNumber(3) call
wiriting result 3
loop step ---------------- 4
isPrimeNumber(4) call
loop step ---------------- 5
isPrimeNumber(5) call
wiriting result 5
loop step ---------------- 6
isPrimeNumber(6) call
loop step ---------------- 7
isPrimeNumber(7) call
wiriting result 7
loop step ---------------- 8
isPrimeNumber(8) call
loop step ---------------- 9
isPrimeNumber(9) call
loop step ---------------- 10
isPrimeNumber(10) call
loop step ---------------- 11
isPrimeNumber(11) call

No soy un desarrollador de Python, pero me parece que yieldmantiene la posición del flujo del programa y el siguiente bucle comienza desde la posición "rendimiento". Parece que está esperando en esa posición, y justo antes de eso, está devolviendo un valor al exterior, y la próxima vez continúa funcionando.

Parece ser una habilidad interesante y agradable: D




Como cada respuesta sugiere, yieldse utiliza para crear un generador de secuencias. Se utiliza para generar alguna secuencia dinámicamente. Por ejemplo, mientras lee un archivo línea por línea en una red, puede usar la yieldfunción de la siguiente manera:

def getNextLines():
   while con.isOpen():
       yield con.read()

Puedes usarlo en tu código de la siguiente manera:

for line in getNextLines():
    doSomeThing(line)

Control de Ejecución Transferencia gotcha

El control de ejecución se transferirá de getNextLines () al forbucle cuando se ejecute el rendimiento. Por lo tanto, cada vez que se invoca getNextLines (), la ejecución comienza desde el punto en que se detuvo la última vez.

Así, en definitiva, una función con el siguiente código.

def simpleYield():
    yield "first time"
    yield "second time"
    yield "third time"
    yield "Now some useful value {}".format(12)

for i in simpleYield():
    print i

imprimirá

"first time"
"second time"
"third time"
"Now some useful value 12"



En resumen, la yielddeclaración transforma su función en una fábrica que produce un objeto especial llamado a generatorque envuelve el cuerpo de su función original. Cuando generatorse itera, ejecuta su función hasta que alcanza la siguiente, yieldluego suspende la ejecución y evalúa el valor pasado yield. Repite este proceso en cada iteración hasta que la ruta de ejecución sale de la función. Por ejemplo,

def simple_generator():
    yield 'one'
    yield 'two'
    yield 'three'

for i in simple_generator():
    print i

simplemente salidas

one
two
three

La potencia proviene de usar el generador con un bucle que calcula una secuencia, el generador ejecuta el bucle deteniéndose cada vez para 'producir' el siguiente resultado del cálculo, de esta manera calcula una lista sobre la marcha, el beneficio es la memoria guardado para cálculos especialmente grandes

Supongamos que desea crear una rangefunción propia que produzca un rango de números iterable, podría hacerlo así,

def myRangeNaive(i):
    n = 0
    range = []
    while n < i:
        range.append(n)
        n = n + 1
    return range

y utilízalo así;

for i in myRangeNaive(10):
    print i

Pero esto es ineficiente porque

  • Usted crea una matriz que solo usa una vez (esto desperdicia memoria)
  • ¡Este código en realidad recorre esa matriz dos veces! :(

Afortunadamente, Guido y su equipo fueron lo suficientemente generosos como para desarrollar generadores, por lo que solo pudimos hacer esto;

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

for i in myRangeSmart(10):
    print i

Ahora, en cada iteración, una función en el generador llamado next()ejecuta la función hasta que alcanza una declaración de 'rendimiento' en la que se detiene y 'cede' el valor o llega al final de la función. En este caso, en la primera llamada, se next()ejecuta hasta la declaración de rendimiento y el rendimiento 'n', en la siguiente llamada ejecutará la instrucción de incremento, saltará de nuevo al 'while', lo evaluará y, si es verdadero, se detendrá y ceda 'n' otra vez, continuará de esa manera hasta que la condición while devuelva falso y el generador salte al final de la función.




(Mi respuesta a continuación solo habla desde la perspectiva de usar el generador de Python, no la implementación subyacente del mecanismo del generador , que implica algunos trucos de manipulación de pila y pila)

Cuando yieldse usa en lugar de a returnen una función de python, esa función se convierte en algo especial llamado generator function. Esa función devolverá un objeto de generatortipo. La yieldpalabra clave es una marca para notificar al compilador de Python para tratar dicha función especialmente. Las funciones normales terminarán una vez que se le devuelva algún valor. Pero con la ayuda del compilador, la función del generador se puede considerar como reanudable. Es decir, el contexto de ejecución se restaurará y la ejecución continuará desde la última ejecución. Hasta que llame explícitamente a return, lo que generará una StopIterationexcepción (que también es parte del protocolo del iterador) o llegará al final de la función. He encontrado una gran cantidad de referencias sobre generatorpero este oneDesde el functional programming perspectivees el más digerible.

(Ahora quiero hablar sobre la razón detrás generatory sobre la iteratorbase de mi propio entendimiento. Espero que esto pueda ayudarlo a comprender la motivación esencial del iterador y el generador. Tal concepto aparece en otros idiomas, como C #)

Según tengo entendido, cuando queremos procesar una gran cantidad de datos, generalmente almacenamos los datos en algún lugar y luego los procesamos uno por uno. Pero este enfoque intuitivo es problemático. Si el volumen de datos es enorme, es costoso almacenarlos como un todo de antemano. Entonces, en lugar de almacenar el datasí mismo directamente, ¿por qué no almacenar algún tipo de forma metadataindirectathe logic how the data is computed ?

Hay 2 enfoques para envolver tales metadatos.

  1. El enfoque OO, envolvemos los metadatos as a class. Este es el llamado iteratorquién implementa el protocolo de iterador (es decir __next__(), los __iter__()métodos y ). Este es también el patrón de diseño del iterador comúnmente visto .
  2. El enfoque funcional, envolvemos los metadatos as a function. Este es el llamado generator function. Pero bajo el capó, el iterador devuelto generator objecttodavía IS-Aporque también implementa el protocolo del iterador.

De cualquier manera, se crea un iterador, es decir, un objeto que puede proporcionarle los datos que desea. El enfoque OO puede ser un poco complejo. De todos modos, cuál usar depende de usted.




La yieldpalabra clave simplemente recopila resultados de retorno. Pensar en yieldcomoreturn +=




Sin embargo, otro TL; DR

Iterador en la lista : next()devuelve el siguiente elemento de la lista

Generador de iteradores : next()calculará el siguiente elemento sobre la marcha (código de ejecución)

Puede ver el rendimiento / generador como una forma de ejecutar manualmente el flujo de control desde el exterior (como continuar un ciclo en un paso), llamando next, sin embargo, el flujo es complejo.

Nota : El generador NO es una función normal. Recuerda el estado anterior como variables locales (stack). Ver otras respuestas o artículos para una explicación detallada. El generador solo puede ser iterado una vez . Podría prescindir yield, pero no sería tan bueno, por lo que se puede considerar "muy bueno", azúcar de lenguaje.




Related