1.切片：取一个list或tuple的部分元素是非常常见的操作，比如说取list中的前n个元素，我们用循环来实现这样的操作：
>>> L = ['Michael','Sarah','Tracy','Bob','Jack']
对这种经常取指定索引范围的操作，用循环十分繁琐，因此，Python提供了切片（Slice）操作符，能大大简化这种操作。
>>>L[0:3]
['Michael', 'Sarah', 'Tracy']
切片取的是索引0，1，2的元素。更简洁的是如果索引是从0开始，那么我们直接写成 L[:3] 同样的取中间某个元素 L[1：2]， 倒着取也可 L[-2,-1]，。
这样举个例子：
>>> L = list(range(100))
>>> L
[0,1,2,3, ...,99]
这样切片的时候，有L[:10], L[-10:], L[:10:2]……
tuple的切片仍然是tuple。字符串'xxx'也可以看成是一种list，每个元素就是一个字符。因此，字符串也可以用切片操作，只是操作结果仍是字符串。
2.迭代：如果给定一个list或tuple，我们可以通过for循环来遍历这个list或tuple，这种遍历我们称为迭代（Iteration）。Python的循环是用for……in的方式来完成，而且Python的for循环不仅可以用在list或tuple上，还可以作用在其他可迭代（Iterable）对象上，eg:dict.
可以看到从dict里迭代不像list索引，顺序不确定。
默认情况下，dict迭代的是key。如果要迭代value，可以用for value in d.values()，如果要同时迭代key和value，可以用for k, v in d.items()。
由于字符串也是可迭代对象，因此，也可以作用于for循环： for ch in 'ABC'
只要是可迭代对象我们就可以用for循环，那么，如何判断一个对象是可迭代对象呢？方法是通过collections模块的Iterable类型判断：
如果想跟java一样的下标循环，我们用enumerate()函数把list变成索引-元素对，这样就可以在for循环中同时迭代索引和元素本身：
上面的for循环里，同时引用了两个变量，在Python里是很常见的，比如下面的代码：
>>> for x, y in [(1,1), (2,4), (3,9)]
:...print(x, y)
1 1
2 4
3 9
3.列表生成式：列表生成式即List Comprehensions，是Python内置的非常简单却强大的可以用来创建list的生成式。要生成一个list[1,2,3,4,5],我们用list(range(1，6))。但如果要生成[1x1, 2x2, 3x3, ..., 10x10]怎么做？
方法一：循环
方法二：列表生成式：>>> [x * x for x in range(1,11)]
[1,4,9,16,25,36,49,64,81,100]
并且for循环后面还可以加上if判断，这样我们就可以筛选出仅偶数的平方：
>>> [x * x for x in range(1,11) if x % 2 == 0]
[4,16,36,64,100]
还可以使用两层循环，可以生成全排列：>>> [m + n for m in 'ABC' for n in 'XYZ']['AX','AY','AZ','BX','BY','BZ','CX','CY','CZ']
运用列表生成式，可以写出非常简洁的代码。例如，列出当前目录下的所有文件和目录名，可以通过一行代码实现：
因此，列表生成式也可以使用两个变量来生成list：
最后把一个list中所有的字符串变成小写：
4.生成器：通过列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，从而节省大量的空间。在Python中，这种一边循环一边计算的机制，称为生成器：generator。
创建一个generator的方法有：把[ ]换成( )
查看g中每一个元素，用next()方法一个个查看，到最后一个抛出StopIteration的错误。当然更好的方法是用for循环，因为generator也是一个可迭代对象。
定义generator的另一种方法。如果一个函数定义中包含yield关键字，那么这个函数就不再是一个普通函数，而是一个generator：最难理解的就是generator和函数的执行流程不一样。函数是顺序执行，遇到return语句或者最后一行函数语句就返回。而变成generator的函数，在每次调用next()的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句处继续执行。举个例子：
调用该generator时，首先要生成一个generator对象，然后用next()函数不断获得下一个返回值
odd不是普通函数，而是generator，在执行过程中，遇到yield就中断，下次又继续执行。执行3次yield后，已经没有yield可以执行了，所以，第4次调用next(o)就报错。但是用for循环调用generator时，发现拿不到generator的return语句的返回值。如果想要拿到返回值，必须捕获StopIteration错误，返回值包含在StopIteration的value中。
这里再贴上练习题答案：
def triangles():
L=[1]
yield L
while True:
L=[1]+[L[x]+L[x+1] for x in range(len(L)-1)]+[1]
yield L
生成器小结：
generator是非常强大的工具，在Python中，可以简单地把列表生成式改成generator，也可以通过函数实现复杂逻辑的generator。
要理解generator的工作原理，它是在for循环的过程中不断计算出下一个元素，并在适当的条件结束for循环。对于函数改成的generator来说，遇到return语句或者执行到函数体最后一行语句，就是结束generator的指令，for循环随之结束。
请注意区分普通函数和generator函数，普通函数调用直接返回结果。
generator函数的“调用”实际返回一个generator对象。
5.迭代器：我们已经知道，可以直接作用于for循环的数据类型有以下几种：
一类是集合数据类型，如list、tuple、dict、set、str等；
一类是generator，包括生成器和带yield的generator function。
这些可以直接作用于for循环的对象统称为可迭代对象：Iterable。可以使用isinstance()判断一个对象是否是Iterable对象：
而生成器不但可以作用于for循环，还可以被next()函数不断调用并返回下一个值，直到最后抛出StopIteration错误表示无法继续返回下一个值了。
可以被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator。同时可以使用isinstance()判断一个对象是否是Iterator对象：
生成器都是Iterator对象，但list、dict、str虽然是Iterable，却不是Iterator。把list、dict、str等Iterable变成Iterator可以使用iter()函数：
你可能会问，为什么list、dict、str等数据类型不是Iterator？
这是因为Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration错误。可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，所以Iterator的计算是惰性的，只有在需要返回下一个数据时它才会计算。
Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。
迭代器小结：
凡是可作用于for循环的对象都是Iterable类型；
凡是可作用于next()函数的对象都是Iterator类型，它们表示一个惰性计算的序列；
集合数据类型如list、dict、str等是Iterable但不是Iterator，不过可以通过iter()函数获得一个Iterator对象。Python的for循环本质上就是通过不断调用next()函数实现的。
生成器那节杨辉三角突然断电了，以前还用过c和java做过这道题，唉，真是僵硬~~~百度了才知道怎么写。加油吧少年，时间不多了。
网友评论