it-swarm-es.com

¿Qué hace la palabra clave "rendimiento"?

¿Para qué sirve la palabra clave 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 posteriores?


1. Este código fue escrito por Jochen Schulz (jrschulz), quien hizo una gran biblioteca Python para espacios métricos. Este es el enlace a la fuente completa: Módulo mspace .

9455
Alex. S.

Para comprender lo que hace yield, debe comprender qué generadores son. Y antes de que lleguen los generadores iterables.

Iterables

Cuando creas una lista, puedes leer sus artículos uno por uno. La lectura de sus elementos uno por uno se llama iteración:

>>> mylist = [1, 2, 3]
>>> for i in mylist:
...    print(i)
1
2
3

mylist es un iterable. Cuando usas una comprensión de lista, creas una lista, y por lo tanto una iterable:

>>> mylist = [x*x for x in range(3)]
>>> for i in mylist:
...    print(i)
0
1
4

Todo lo que puede usar "for... in..." en es iterable; lists, strings, archivos ...

Estos iterables son útiles porque puede leerlos tanto como desee, pero almacena todos los valores en la memoria y esto no siempre es lo que desea cuando tiene muchos valores.

Generadores

Los generadores son iteradores, una clase de iterable solo puedes iterar una vez . Los generadores no almacenan todos los valores en la memoria, generan los valores sobre la marcha :

>>> mygenerator = (x*x for x in range(3))
>>> for i in mygenerator:
...    print(i)
0
1
4

Es igual, excepto que usaste () en lugar de []. PERO, usted no puede realizar for i in mygenerator por segunda vez, ya que los generadores solo se pueden usar una vez: calculan 0, luego se olvidan y calculan 1, y terminan de calcular 4, uno por uno.

Rendimiento

yield es una palabra clave que se usa como return, excepto que la función devolverá un generador.

>>> def createGenerator():
...    mylist = range(3)
...    for i in mylist:
...        yield i*i
...
>>> mygenerator = createGenerator() # create a generator
>>> print(mygenerator) # mygenerator is an object!
<generator object createGenerator at 0xb7555c34>
>>> for i in mygenerator:
...     print(i)
0
1
4

Este es un ejemplo inútil, pero es útil cuando sabes que tu función devolverá un gran conjunto de valores que solo necesitarás leer una vez.

Para dominar yield, debe comprender que cuando llama a la función, el código que ha escrito en el cuerpo de la función no se ejecuta. La función solo devuelve el objeto generador, esto es un poco complicado :-)

Luego, su código continuará desde donde lo dejó cada vez que for usa el generador.

Ahora la parte difícil:

La primera vez que for llama al objeto generador creado desde su función, ejecutará el código en su función desde el principio hasta que llegue a yield, luego devolverá el primer valor del bucle. Luego, cada una de las otras llamadas ejecutará el bucle que ha escrito en la función una vez más y devolverá el siguiente valor, hasta que no haya ningún valor para devolver.

El generador se considera vacío una vez que se ejecuta la función, pero ya no golpea yield. Puede ser porque el bucle llegó a su fin, o porque ya no satisfaces un "if/else".


Tu codigo explicado

Generador:

# Here you create the method of the node object that will return the generator
def _get_child_candidates(self, distance, min_dist, max_dist):

    # Here is the code that will be called each time you use the generator object:

    # If there is still a child of the node object on its left
    # AND if distance is ok, return the next child
    if self._leftchild and distance - max_dist < self._median:
        yield self._leftchild

    # If there is still a child of the node object on its right
    # AND if distance is ok, return the next child
    if self._rightchild and distance + max_dist >= self._median:
        yield self._rightchild

    # If the function arrives here, the generator will be considered empty
    # there is no more than two values: the left and the right children

Llamador:

# Create an empty list and a list with the current object reference
result, candidates = list(), [self]

# Loop on candidates (they contain only one element at the beginning)
while candidates:

    # Get the last candidate and remove it from the list
    node = candidates.pop()

    # Get the distance between obj and the candidate
    distance = node._get_dist(obj)

    # If distance is ok, then you can fill the result
    if distance <= max_dist and distance >= min_dist:
        result.extend(node._values)

    # Add the children of the candidate in the candidates list
    # so the loop will keep running until it will have looked
    # at all the children of the children of the children, etc. of the candidate
    candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))

return result

Este código contiene varias partes inteligentes:

  • El bucle se repite en una lista, pero la lista se expande mientras se repite el bucle :-) Es una forma concisa de revisar todos estos datos anidados, aunque sea un poco peligroso, ya que puede terminar con un bucle infinito. En este caso, candidates.extend(node._get_child_candidates(distance, min_dist, max_dist)) agota todos los valores del generador, pero while sigue creando nuevos objetos generadores que producirán valores diferentes de los anteriores ya que no se aplica en el mismo nodo.

  • El método extend() es un método de objeto de lista que espera un iterable y agrega sus valores a la lista.

Usualmente le pasamos una lista:

>>> a = [1, 2]
>>> b = [3, 4]
>>> a.extend(b)
>>> print(a)
[1, 2, 3, 4]

Pero en tu código recibe un generador, lo cual es bueno porque:

  1. No necesitas leer los valores dos veces.
  2. Es posible que tenga muchos hijos y no quiera que todos se almacenen en la memoria.

Y funciona porque a Python no le importa si el argumento de un método es una lista o no. Python espera iterables por lo que trabajará con cadenas, listas, tuplas y generadores. Esto se llama tipificación de pato y es una de las razones por las que Python es tan genial. Pero esta es otra historia, para otra pregunta ...

Puede detenerse aquí, o leer un poco para ver un uso avanzado de un generador:

Controlando el agotamiento de un generador.

>>> class Bank(): # Let's create a bank, building ATMs
...    crisis = False
...    def create_atm(self):
...        while not self.crisis:
...            yield "$100"
>>> hsbc = Bank() # When everything's ok the ATM gives you as much as you want
>>> corner_street_atm = hsbc.create_atm()
>>> print(corner_street_atm.next())
$100
>>> print(corner_street_atm.next())
$100
>>> print([corner_street_atm.next() for cash in range(5)])
['$100', '$100', '$100', '$100', '$100']
>>> hsbc.crisis = True # Crisis is coming, no more money!
>>> print(corner_street_atm.next())
<type 'exceptions.StopIteration'>
>>> wall_street_atm = hsbc.create_atm() # It's even true for new ATMs
>>> print(wall_street_atm.next())
<type 'exceptions.StopIteration'>
>>> hsbc.crisis = False # The trouble is, even post-crisis the ATM remains empty
>>> print(corner_street_atm.next())
<type 'exceptions.StopIteration'>
>>> brand_new_atm = hsbc.create_atm() # Build a new one to get back in business
>>> for cash in brand_new_atm:
...    print cash
$100
$100
$100
$100
$100
$100
$100
$100
$100
...

Nota: Para Python 3, useprint(corner_street_atm.__next__()) o print(next(corner_street_atm))

Puede ser útil para varias cosas como controlar el acceso a un recurso.

Itertools, tu mejor amigo.

El módulo de itertools contiene funciones especiales para manipular iterables. ¿Alguna vez desea duplicar un generador? ¿Encadenar dos generadores? ¿Agrupar valores en una lista anidada con una sola línea? Map / Zip sin crear otra lista?

Entonces solo import itertools.

¿Un ejemplo? Veamos las posibles órdenes de llegada para una carrera de cuatro caballos:

>>> horses = [1, 2, 3, 4]
>>> races = itertools.permutations(horses)
>>> print(races)
<itertools.permutations object at 0xb754f1dc>
>>> print(list(itertools.permutations(horses)))
[(1, 2, 3, 4),
 (1, 2, 4, 3),
 (1, 3, 2, 4),
 (1, 3, 4, 2),
 (1, 4, 2, 3),
 (1, 4, 3, 2),
 (2, 1, 3, 4),
 (2, 1, 4, 3),
 (2, 3, 1, 4),
 (2, 3, 4, 1),
 (2, 4, 1, 3),
 (2, 4, 3, 1),
 (3, 1, 2, 4),
 (3, 1, 4, 2),
 (3, 2, 1, 4),
 (3, 2, 4, 1),
 (3, 4, 1, 2),
 (3, 4, 2, 1),
 (4, 1, 2, 3),
 (4, 1, 3, 2),
 (4, 2, 1, 3),
 (4, 2, 3, 1),
 (4, 3, 1, 2),
 (4, 3, 2, 1)]

Entendiendo los mecanismos internos de iteración.

La iteración es un proceso que implica iterables (implementación del método __iter__()) e iteradores (implementación del método __next__()). Iterables son cualquier objeto de los que puede obtener un iterador. Los iteradores son objetos que le permiten iterar en iterables.

Hay más información al respecto en este artículo sobre cómo funcionan for loops .

13125
e-satis

Acceso directo a Grokkingyield

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

  1. Inserte una línea result = [] al inicio de la función.
  2. Reemplace cada yield expr con result.append(expr).
  3. Inserte una línea return result en la parte inferior de la función.
  4. Yay - no más yield declaraciones! 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 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:

    Llame a 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 genera una excepción StopIteration desde 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 hacer un bucle 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 del iterador. En una clase definida por el usuario, puede implementar el método __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 hacer que __iter__() devuelva self. Esto funcionará para casos simples, pero no cuando quiera 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 ítem tras ítem cuando llama next(). Las listas incorporadas devuelven sus elementos uno por uno, los diccionarios devuelven claves uno por uno, los archivos devuelven líneas uno por uno, etc. Y los generadores devuelven ... bueno, ahí es donde yield viene en:

def f123():
    yield 1
    yield 2
    yield 3

for item in f123():
    print item

En lugar de las 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 f123(), ¡_ ​​no devuelve cualquiera 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 de la yield que regresó anteriormente, ejecuta la siguiente línea de código, en este caso una declaración 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. 

Por lo tanto, el objeto generador es como un adaptador: en un extremo exhibe el protocolo del iterador, al exponer los métodos __iter__() y next() para mantener el bucle for. 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 mantiene el estado en los miembros de la instancia y realiza 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.

1751
user28409

Piénsalo de esta manera:

Un iterador es solo un término que suena elegante para un objeto que tiene un método next (). Así que una función de rendimiento termina siendo algo como esto:

Versión original:

def some_function():
    for i in xrange(4):
        yield i

for i in some_function():
    print i

Esto es básicamente lo que hace el intérprete de Python con el código anterior:

class it:
    def __init__(self):
        # Start at -1 so that we get 0 when we add 1 below.
        self.count = -1

    # The __iter__ method will be called once by the 'for' loop.
    # The rest of the magic happens on the object returned by this method.
    # In this case it is the object itself.
    def __iter__(self):
        return self

    # The next method will be called repeatedly by the 'for' loop
    # until it raises StopIteration.
    def next(self):
        self.count += 1
        if self.count < 4:
            return self.count
        else:
            # A StopIteration exception is raised
            # to signal that the iterator is done.
            # This is caught implicitly by the 'for' loop.
            raise StopIteration

def some_func():
    return it()

for i in some_func():
    print i

Para obtener más información sobre lo que está sucediendo tras bambalinas, el bucle for puede reescribirse a esto

iterator = some_func()
try:
    while 1:
        print iterator.next()
except StopIteration:
    pass

¿Eso tiene más sentido o simplemente te confunde más? :)

Debo señalar que esto es una simplificación excesiva para propósitos ilustrativos. :)

445
Jason Baker

La palabra clave yield se reduce a dos hechos simples:

  1. Si el compilador detecta la palabra clave yielden cualquier lugar dentro de una función, esa función ya no regresa a través de la instrucción return. En su lugar, inmediatamente devuelve un objeto de "lista pendiente" perezoso llamado generador
  2. Un generador es iterable. ¿Qué es un iterable? Es algo como una list o set o range o dict-view, 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 yield le permiten usar la notación de funciones para programar los valores de la lista que el generador debe escupir de forma 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 a la range de Python. Llamando makeRange(n) DEVUELVE UN 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 list() (como podría hacerlo cualquier iterable):

>>> 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 itertools (asegúrese de usar chain.from_iterable en lugar de chain cuando esté justificado). Por ejemplo, incluso podría usar generadores para implementar listas perezosas infinitamente largas como itertools.count(). Podría implementar su propia def enumerate(iterable): Zip(count(), iterable), o alternativamente hacerlo con la palabra clave yield en un bucle while.

Tenga en cuenta que los generadores pueden usarse 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 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 los objetos .next() function, 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 deseen dejar de leer aquí.

En Python-speak, 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 for for for- bucle como [1,2,3].__iter__(). Un generador es exactamente igual a 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)
[]

... luego recuerda que un generador es un iterador; es decir, es de un solo uso. Si desea reutilizarlo, debe volver a llamar a myRange(...). Si necesita usar el resultado dos veces, convierta el resultado en una lista y almacénelo en una variable x = list(myRange(5)). Aquellos que absolutamente necesitan clonar un generador (por ejemplo, que están haciendo una metaprogramación terriblemente pirata) pueden usar itertools.tee si es absolutamente necesario, ya que el iterador copiable Python PEP estándares propuesta ha sido diferido.

380
ninjagecko

¿Qué hace la palabra clave yield en Python?

Contorno de respuesta/Resumen

  • Una función con yield , cuando se llama, devuelve un Generador .
  • Los generadores son iteradores porque implementan el iterator protocol , para que puedas iterar sobre ellos.
  • Un generador también puede ser información enviada, por lo que conceptualmente es coroutine.
  • En Python 3, puede delegar de un generador a otro en ambas direcciones con yield from.
  • (El Apéndice critica un par de respuestas, incluida la principal, y analiza el uso de return en un generador).

Generadores:

yield solo es legal dentro de una definición de función, y la inclusión de yield en una definición de función hace que devuelva un generador.

La idea de generadores proviene de otros lenguajes (ver nota al pie de página 1) con diferentes implementaciones. En los generadores de Python, la ejecución del código es congelado en el punto del rendimiento. Cuando se llama al generador (los métodos se describen a continuación) la ejecución se reanuda y luego se congela en el siguiente rendimiento.

yield proporciona una forma fácil de implementando el protocolo iterador , definido por los siguientes dos métodos: __iter__ y nextPython 2) o __next__ (Python 3). Ambos métodos convierta un objeto en un iterador que pueda verificar con la clase Iterator Abstract Base del módulo collections.

>>> def func():
...     yield 'I am'
...     yield 'a generator!'
... 
>>> type(func)                 # A function with yield is still a function
<type 'function'>
>>> gen = func()
>>> type(gen)                  # but it returns a generator
<type 'generator'>
>>> hasattr(gen, '__iter__')   # that's an iterable
True
>>> hasattr(gen, 'next')       # and with .next (.__next__ in Python 3)
True                           # implements the iterator protocol.

El tipo de generador es un subtipo de iterador:

>>> import collections, types
>>> issubclass(types.GeneratorType, collections.Iterator)
True

Y si es necesario, podemos escribir la siguiente manera:

>>> isinstance(gen, types.GeneratorType)
True
>>> isinstance(gen, collections.Iterator)
True

Una característica de una Iterator _ (es que una vez agotado , no puede reutilizarla o restablecerla:

>>> list(gen)
['I am', 'a generator!']
>>> list(gen)
[]

Tendrá que hacer otro si desea usar su funcionalidad nuevamente (ver nota 2):

>>> list(func())
['I am', 'a generator!']

Uno puede producir datos programáticamente, por ejemplo:

def func(an_iterable):
    for item in an_iterable:
        yield item

El generador simple anterior también es equivalente al siguiente: a partir de Python 3.3 (y no está disponible en Python 2), puede usar yield from :

def func(an_iterable):
    yield from an_iterable

Sin embargo, yield from también permite la delegación a subgeneradores, Que se explicará en la siguiente sección sobre delegación cooperativa con sub-coroutines.

Coroutines:

yield forma una expresión que permite que los datos se envíen al generador (consulte la nota a pie de página 3)

Aquí hay un ejemplo, tome nota de la variable received, que apuntará a los datos que se envían al generador:

def bank_account(deposited, interest_rate):
    while True:
        calculated_interest = interest_rate * deposited 
        received = yield calculated_interest
        if received:
            deposited += received


>>> my_account = bank_account(1000, .05)

Primero, debemos poner en cola el generador con la función incorporada, next . Llamará Al método apropiado next o __next__, dependiendo de la versión de Python que estés usando:

>>> first_year_interest = next(my_account)
>>> first_year_interest
50.0

Y ahora podemos enviar datos al generador. ( Enviar None es Lo mismo que llamar next .):

>>> next_year_interest = my_account.send(first_year_interest + 1000)
>>> next_year_interest
102.5

Delegación cooperativa a Sub-Coroutine con yield from

Ahora, recuerde que yield from está disponible en Python 3. Esto nos permite delegar Coroutines a una subcoroutine:

def money_manager(expected_rate):
    under_management = yield     # must receive deposited value
    while True:
        try:
            additional_investment = yield expected_rate * under_management 
            if additional_investment:
                under_management += additional_investment
        except GeneratorExit:
            '''TODO: write function to send unclaimed funds to state'''
        finally:
            '''TODO: write function to mail tax info to client'''


def investment_account(deposited, manager):
    '''very simple model of an investment account that delegates to a manager'''
    next(manager) # must queue up manager
    manager.send(deposited)
    while True:
        try:
            yield from manager
        except GeneratorExit:
            return manager.close()

Y ahora podemos delegar la funcionalidad a un subgenerador y puede ser utilizado Por un generador como se muestra arriba:

>>> my_manager = money_manager(.06)
>>> my_account = investment_account(1000, my_manager)
>>> first_year_return = next(my_account)
>>> first_year_return
60.0
>>> next_year_return = my_account.send(first_year_return + 1000)
>>> next_year_return
123.6

Puede leer más sobre la semántica precisa de yield from en PEP 380.

Otros métodos: cerrar y tirar

El método close eleva GeneratorExit en el punto en que se ejecutó la función . También se llamará __del__ para que Pueda poner cualquier código de limpieza donde maneje la GeneratorExit:

>>> my_account.close()

También puede lanzar una excepción que puede manejarse en el generador O propagarse de nuevo al usuario:

>>> import sys
>>> try:
...     raise ValueError
... except:
...     my_manager.throw(*sys.exc_info())
... 
Traceback (most recent call last):
  File "<stdin>", line 4, in <module>
  File "<stdin>", line 2, in <module>
ValueError

Conclusión

Creo que he cubierto todos los aspectos de la siguiente pregunta:

¿Qué hace la palabra clave yield en Python?

Resulta que yield hace mucho. Estoy seguro de que podría agregar aún más Ejemplos completos a esto. Si desea más o tiene alguna crítica constructiva, hágamelo saber comentando A continuación.


Apéndice:

Crítica de la parte superior/Respuesta aceptada **

Crítica de la respuesta que sugiere yield en una expresión o comprensión generadora.

La gramática actualmente permite cualquier expresión en una lista de comprensión. 

expr_stmt: testlist_star_expr (annassign | augassign (yield_expr|testlist) |
                     ('=' (yield_expr|testlist_star_expr))*)
...
yield_expr: 'yield' [yield_arg]
yield_arg: 'from' test | testlist

Dado que el rendimiento es una expresión, algunos lo han considerado como interesante para usarlo en las expresiones de comprensión o generadoras, a pesar de no citar un caso de uso particularmente bueno.

Los desarrolladores principales de CPython son _ (discutiendo la desaprobación de su asignación . Aquí hay una publicación relevante de la lista de correo:

El 30 de enero de 2017 a las 19:05, Brett Cannon escribió:

El domingo, 29 de enero de 2017 a las 16:39 Craig Rodrigues escribió:

Estoy bien con cualquier enfoque. Dejar las cosas como están en Python 3 No es bueno, IMHO.

Mi voto es ser un error de sintaxis ya que no está obteniendo lo que espera de La sintaxis.

Estoy de acuerdo en que es un lugar sensato para que terminemos, ya que cualquier código Que confíe en el comportamiento actual es realmente demasiado inteligente como para mantenerlo .

En términos de llegar, es probable que queramos:

  • SintaxisWarning o DeprecationWarning en 3.7
  • Aviso de Py3k en 2.7.x
  • SyntaxError en 3.8

Saludos, Nick.

- Nick Coghlan | ncoghlan en gmail.com | Brisbane, Australia

Además, hay una problema pendiente (10544) que parece estar apuntando en la dirección de este nunca es una buena idea (PyPy, una implementación de Python escrita en Python, ya está generando advertencias de sintaxis .)

En pocas palabras, hasta que los desarrolladores de CPython nos digan lo contrario: No ponga yield en una expresión o comprensión generadora.

La declaración return en un generador

En Python 2 :

En una función de generador, la instrucción return no puede incluir un expression_list. En ese contexto, una simple return indica que el generador está listo y causará que StopIteration se levante.

Un expression_list es básicamente cualquier número de expresiones separadas por comas. Básicamente, en Python 2, puede detener el generador con return, pero no puede devolver un valor.

En Python 3

En una función del generador, la instrucción return indica que el generador está listo y hará que se levante StopIteration. El valor devuelto (si existe) se usa como un argumento para construir StopIteration y se convierte en el atributo StopIteration.value.

Notas al pie

  1. Los lenguajes CLU, Sather e Icon fueron referenciados en la propuesta Para introducir el concepto de generadores a Python. La idea general es Que una función puede mantener un estado interno y generar puntos de datos intermedios A pedido del usuario. Esto prometió ser superior en rendimiento A otros enfoques, incluido el subproceso Python , que ni siquiera está disponible en algunos sistemas.

  2. Esto significa, por ejemplo, que los objetos xrangerange en Python 3) no son Iterators, aunque sean iterables, porque pueden reutilizarse. Al igual que las listas, sus métodos __iter__ devuelven objetos iteradores.

  3. yield se introdujo originalmente como una declaración, lo que significa que solo podía aparecer al principio de una línea en un bloque de código. Ahora yield crea una expresión de rendimiento. _ (https://docs.python.org/2/reference/simple_stmts.html#grammar-token-yield_stmt Este cambio fue propuesto para permitir que un usuario envíe datos al generador tal como uno podría recibirlos. Para enviar datos, debe poder asignárselos a algo, y para eso, una declaración simplemente no funcionará.

295
Aaron Hall

yield es 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 instrucción yield. A diferencia del retorno, el marco de la pila no se limpia cuando se produce un rendimiento, sin embargo, el control se transfiere nuevamente al llamante, por lo que su estado se reanudará la próxima vez que se llame a la función.

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

list.extend llama a un iterador hasta que se agota. En el caso del ejemplo de código que publicaste, sería mucho más claro simplemente devolver un Tuple y adjuntarlo a la lista.

260
Douglas Mayle

Hay una cosa adicional que mencionar: una función que cede en realidad no tiene que terminar. He escrito un código como este:

def fib():
    last, cur = 0, 1
    while True: 
        yield cur
        last, cur = cur, last + cur

Entonces puedo usarlo en otro código como este:

for f in fib():
    if some_condition: break
    coolfuncs(f);

Realmente ayuda a simplificar algunos problemas y hace que sea más fácil trabajar con algunas cosas. 

199
Claudiu

Para aquellos que prefieren un ejemplo de trabajo mínimo, medite en esta sesión interactiva 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
171
Daniel

TL; DR

En lugar de esto:

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

Cuando te encuentres construyendo una lista desde cero, yield cada pieza en su lugar. 

Este fue mi primer momento "aha" con rendimiento.


yield es una azucarada forma de decir 

construir una serie de cosas

Mismo comportamiento:

>>> for square in square_list(4):
...     print(square)
...
0
1
4
9
>>> for square in square_yield(4):
...     print(square)
...
0
1
4
9

Diferente comportamiento

El rendimiento es paso único : solo se puede iterar una vez. Cuando una función tiene un rendimiento, la llamamos una función generator . Y un iterator es lo que devuelve. Esos términos son reveladores. Perdemos la conveniencia de un contenedor, pero obtenemos el poder de una serie que se calcula según sea necesario y arbitrariamente larga.

El rendimiento es perezoso , aplaza el cálculo. Una función con un rendimiento no se ejecuta realmente cuando la llamas. Devuelve un objeto iterator que recuerda dónde se quedó. Cada vez que llama a next() en el iterador (esto sucede en un bucle for), la ejecución avanza hasta el próximo rendimiento. return plantea StopIteration y finaliza la serie (este es el final natural de un bucle for).

El rendimiento es versátil . Los datos no tienen que almacenarse todos juntos, pueden estar disponibles de uno en uno. Puede ser infinito.

>>> 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 pases múltiples y la serie no es demasiado larga, simplemente llame a list() en ella:

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

Brillante elección de la Palabra yield porque ambos significados se aplican:

rendimiento - producir o proporcionar (como en la agricultura)

... proporcionar los siguientes datos en la serie.

ceder - ceder o renunciar (como en el poder político)

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

160
Bob Stein

El rendimiento te da un generador. 

def get_odd_numbers(i):
    return range(1, i, 2)
def yield_odd_numbers(i):
    for x in range(1, i, 2):
       yield x
foo = get_odd_numbers(10)
bar = yield_odd_numbers(10)
foo
[1, 3, 5, 7, 9]
bar
<generator object yield_odd_numbers at 0x1029c6f50>
bar.next()
1
bar.next()
3
bar.next()
5

Como puede ver, en el primer caso, foo guarda la lista completa en la memoria a la vez. No es un gran problema para una lista con 5 elementos, pero ¿qué sucede si desea una lista de 5 millones? No solo es un gran devorador de memoria, sino que también cuesta mucho tiempo de compilación en el momento en que se llama a la función. En el segundo caso, la barra solo te da un generador. Un generador es un iterable, lo que significa que puede usarlo en un bucle for, etc., pero solo se puede acceder a cada valor una vez. Todos los valores tampoco se almacenan en la memoria al mismo tiempo; el objeto generador "recuerda" dónde estaba en el bucle la última vez que lo llamó, de esta manera, si está utilizando un iterable para (digamos) contar hasta 50 mil millones, no tiene que contar hasta 50 mil millones de todos a la vez y almacenar los 50 mil millones de números para contar hasta. Nuevamente, este es un ejemplo bastante ingenioso, probablemente usaría itertools si realmente quisiera contar hasta 50 mil millones. :)

Este es el caso de uso más simple de los generadores. Como dijiste, puede usarse para escribir permutaciones eficientes, usando el rendimiento para empujar las cosas hacia arriba a través de la pila de llamadas en lugar de usar algún tipo de variable de pila. Los generadores también se pueden usar para el recorrido de árboles especializados, y todo tipo de cosas.

148
RBansal

Está devolviendo un generador. No estoy muy familiarizado con Python, pero creo que es el mismo tipo de bloqueos de iteradores de C # si estás familiarizado con ellos.

La idea clave es que el compilador/intérprete/lo que sea haga algunos trucos para que, en lo que respecta a la persona que llama, puedan seguir llamando a next () y seguirán devolviendo valores - como si el método del generador estuviera en pausa . Ahora, obviamente, realmente no puede "pausar" un método, por lo que el compilador crea una máquina de estado para que pueda recordar dónde se encuentra actualmente y cómo se ven las variables locales, etc. Esto es mucho más fácil que escribir un iterador.

145
Jon Skeet

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

La declaración yield 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 pasando).

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 modo 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 la forma call/cc, 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 la 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 la 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 sobre 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 iterable prototipo 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 de lenguaje y más fáciles de usar para el programador (si tiene tiempo para grabar, intente leer y entender 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 se llama yield, 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 método next del generador es básicamente lo 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 palabra clave yield es en realidad azúcar sintáctica para la función de 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 palabra clave yield.

134
aestrivex

Aquí hay un ejemplo en lenguaje sencillo. Proporcionaré una correspondencia entre los conceptos humanos de alto nivel y los conceptos de Python de bajo nivel.

Quiero operar en una secuencia de números, pero no quiero molestarme con la creación de esa secuencia, solo quiero centrarme en la operación que quiero hacer. Entonces, hago lo siguiente:

  • Te llamo y te digo que quiero una secuencia de números que se produce de una manera específica, y te dejo saber cuál es el algoritmo. 
    Este paso corresponde a defining la función del generador, es decir, la función que contiene yield.
  • Algún tiempo después, te digo, "Ok, prepárate para decirme la secuencia de números". 
    Este paso corresponde a llamar a la función del generador que devuelve un objeto generador. Ten en cuenta que todavía no me dices ningún número; solo agarra tu papel y lápiz.
  • Te pregunto, "dime el siguiente número", y tú me dices el primer número; después de eso, esperas a que te pida el siguiente número. Es su trabajo recordar dónde estaba, qué números ya ha dicho y cuál es el próximo número. No me importan los detalles. 
    Este paso corresponde a llamar a .next() en el objeto generador.
  • ... repite el paso anterior, hasta que ...
  • eventualmente, podrías llegar a un final. No me dices un número; simplemente grita: "¡Aguanta los caballos! ¡Ya terminé! ¡No más números!" 
    Este paso corresponde al objeto generador que finaliza su trabajo y genera una excepción StopIteration La función del generador no necesita elevar la excepción. Se genera automáticamente cuando la función finaliza o emite una return.

Esto es lo que hace un generador (una función que contiene una yield); comienza a ejecutarse, se detiene cada vez que realiza una yield, y cuando se le solicita un valor de .next(), continúa desde el punto en que fue la última vez. Se ajusta perfectamente al diseño con el protocolo de iterador de Python, que describe cómo solicitar valores de forma secuencial.

El usuario más famoso del protocolo iterador es el comando for en Python. Entonces, cuando haces una

for item in sequence:

no importa si sequence es una lista, una cadena, un diccionario o un generador object like descrito anteriormente; el resultado es el mismo: lees los elementos de una secuencia uno por uno.

Tenga en cuenta que defining una función que contiene una palabra clave yield no es la única forma de crear un generador; Es la forma más fácil de crear una.

Para obtener información más precisa, lea sobre tipos de iterador , la declaración de rendimiento y generadores en la documentación de Python.

120
tzot

Si bien muchas respuestas muestran por qué usarías una yield para 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 de yield para crear un generador.

Para ayudar a entender lo que hace una yield en el siguiente código, puede usar su dedo para rastrear el ciclo a través de cualquier código que tenga una yield. Cada vez que su dedo golpea la yield, tiene que esperar a que se ingrese una next o una send. Cuando se llama a una next, se rastrea a través del código hasta que toca la yield ... el código a la derecha de la yield se evalúa y se devuelve a la persona que llama ... luego espera. Cuando se vuelve a llamar a next, realiza otro bucle a través del código. Sin embargo, notará que en una rutina, yield también se puede usar con send ... que enviará un valor desde la persona que llama a la función de rendimiento. Si se da una send, entonces yield recibe el valor enviado y lo escupe en el lado izquierdo ... luego, la traza a través del código progresa hasta que vuelva a golpear yield (devolviendo el valor al final, como si se llamara next).

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()
105
Mike McKerns

Hay otro yield uso y significado (desde Python 3.3):

yield from <expr>

DesdePEP 380 - Sintaxis para delegar a un subgenerador:

Se propone una sintaxis para que un generador delegue parte de sus operaciones a otro generador. Esto permite que una sección del código que contiene 'rendimiento' se elimine y se coloque en otro generador. Además, se permite que el subgenerador regrese con un valor, y el valor se pone a disposición del generador delegante.

La nueva sintaxis también abre algunas oportunidades de optimización cuando un generador vuelve a generar valores producidos por otro.

Además esto introducirá (desde Python 3.5):

async def new_coroutine(data):
   ...
   await blocking_action()

para evitar que las coroutinas se confundan con un generador regular (hoy se usa yield en ambos).

97
Sławomir Lenart

Todas las grandes respuestas, sin embargo, un poco difícil para los novatos.

Supongo que ha aprendido la instrucción return.

Como analogía, return y yield son gemelos. return significa 'regresar y parar' mientras que 'rendimiento' significa 'volver, pero continuar'

  1. Trate de obtener un num_list con return.
def num_list(n):
    for i in range(n):
        return i

Ejecutarlo:

In [5]: num_list(3)
Out[5]: 0

Mira, solo obtienes un número en lugar de una lista de ellos. return nunca te permite prevalecer felizmente, solo implementa una vez y abandona.

  1. Ahí viene yield

Reemplace return con yield:

In [10]: def num_list(n):
    ...:     for i in range(n):
    ...:         yield i
    ...:

In [11]: num_list(3)
Out[11]: <generator object num_list at 0x10327c990>

In [12]: list(num_list(3))
Out[12]: [0, 1, 2]

Ahora, ganas para obtener todos los números.

Comparando con return que se ejecuta una vez y se detiene, yield se ejecuta varias veces. Puede interpretar return como return one of them, y yield como return all of them. Esto se llama iterable.

  1. Un paso más podemos reescribir la sentencia yield con return
In [15]: def num_list(n):
    ...:     result = []
    ...:     for i in range(n):
    ...:         result.append(i)
    ...:     return result

In [16]: num_list(3)
Out[16]: [0, 1, 2]

Es el núcleo de yield.

La diferencia entre una lista return salidas y el objeto yield output es:

Siempre obtendrá [0, 1, 2] de un objeto de lista, pero solo podría recuperarlos de 'el objeto yield output' una vez. Entonces, tiene un nuevo nombre generator objeto como se muestra en Out[11]: <generator object num_list at 0x10327c990>.

En conclusión, como metáfora de asimilarlo:

  • return y yield son gemelos
  • list y generator son gemelos
86
JawSaw

Aquí hay algunos ejemplos de Python de cómo implementar realmente los generadores como si Python no les proporcionara azúcar sintáctica:

Como generador de Python:

from itertools import islice

def fib_gen():
    a, b = 1, 1
    while True:
        yield a
        a, b = b, a + b

assert [1, 1, 2, 3, 5] == list(islice(fib_gen(), 5))

Usando cierres léxicos en lugar de generadores

def ftake(fnext, last):
    return [fnext() for _ in xrange(last)]

def fib_gen2():
    #funky scope due to python2.x workaround
    #for python 3.x use nonlocal
    def _():
        _.a, _.b = _.b, _.a + _.b
        return _.a
    _.a, _.b = 0, 1
    return _

assert [1,1,2,3,5] == ftake(fib_gen2(), 5)

Usar cierres de objetos en lugar de generadores (porque ClosuresAndObjectsAreEquivalent )

class fib_gen3:
    def __init__(self):
        self.a, self.b = 1, 1

    def __call__(self):
        r = self.a
        self.a, self.b = self.b, self.a + self.b
        return r

assert [1,1,2,3,5] == ftake(fib_gen3(), 5)
83
Dustin Getz

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 yield se puede usar 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 utilizando el método send(), entonces la rutina se ejecutará hasta que se encuentre la siguiente declaración (yield).

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 declaración yield en las funciones.

81
johnzachary

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

" next " 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
->
77
alinsoar

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 yield mantiene 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 afuera, y la próxima vez continúa trabajando.

Parece ser una habilidad interesante y agradable: D

70
Engin OZTURK

Aquí hay una imagen mental de lo que hace yield.

Me gusta pensar que un hilo tiene una pila (incluso cuando no está implementado de esa manera).

Cuando se llama a una función normal, coloca sus variables locales en la pila, realiza algunos cálculos, luego borra la pila y regresa. Los valores de sus variables locales nunca se vuelven a ver.

Con una función yield, cuando su código comienza a ejecutarse (es decir, después de llamar a la función, devolviendo un objeto generador, cuyo método next() se invoca), coloca sus variables locales de manera similar en la pila y las calcula durante un tiempo. Pero luego, cuando toca la declaración yield, antes de borrar su parte de la pila y regresar, toma una instantánea de sus variables locales y las almacena en el objeto generador. También anota el lugar donde se encuentra actualmente en su código (es decir, la declaración yield particular).

Así que es una especie de función congelada a la que el generador se aferra.

Cuando se llama a next() posteriormente, recupera las pertenencias de la función en la pila y la vuelve a animar. La función continúa calculando desde donde la dejó, ajena al hecho de que acababa de pasar una eternidad en almacenamiento en frío.

Compara los siguientes ejemplos:

def normalFunction():
    return
    if False:
        pass

def yielderFunction():
    return
    if False:
        yield 12

Cuando llamamos a la segunda función, se comporta de manera muy diferente a la primera. La declaración yield podría ser inalcanzable, pero si está presente en cualquier lugar, cambia la naturaleza de lo que estamos tratando.

>>> yielderFunction()
<generator object yielderFunction at 0x07742D28>

Llamar a yielderFunction() no ejecuta su código, pero hace que un generador salga del código. (Tal vez sea una buena idea nombrar tales cosas con el prefijo yielder para facilitar la lectura).

>>> gen = yielderFunction()
>>> dir(gen)
['__class__',
 ...
 '__iter__',    #Returns gen itself, to make it work uniformly with containers
 ...            #when given to a for loop. (Containers return an iterator instead.)
 'close',
 'gi_code',
 'gi_frame',
 'gi_running',
 'next',        #The method that runs the function's body.
 'send',
 'throw']

Los campos gi_code y gi_frame son donde se almacena el estado de congelación. Explorándolos con dir(..), podemos confirmar que nuestro modelo mental anterior es creíble.

58
Evgeni Sergeev

Como sugiere cada respuesta, yield se usa para crear un generador de secuencias. Se usa para generar alguna secuencia dinámicamente. Por ejemplo, mientras lee un archivo línea por línea en una red, puede usar la función yield 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)

Transferencia de control de ejecución gotcha

El control de ejecución se transferirá de getNextLines () al bucle for 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"
49

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

Cuando se usa yield en lugar de return en una función de python, esa función se convierte en algo especial llamado generator function. Esa función devolverá un objeto de tipo generator. La palabra clave yield es una marca para notificar al compilador de Python para tratar dicha función especialmente. Las funciones normales terminarán una vez que se devuelva algún valor. Pero con la ayuda del compilador, la función del generador puede pensarse en como resumible. Es decir, el contexto de ejecución se restaurará y la ejecución continuará desde la última ejecución. Hasta que llame explícitamente a return, que generará una excepción StopIterationque también es parte del protocolo del iterador), o llegará al final de la función. Encontré muchas referencias sobre generator pero esta _ (una del functional programming perspective es la más digerible.

(Ahora quiero hablar sobre la razón detrás de generator, y la iterator basada en mi propio entendimiento. Espero que esto pueda ayudarles a captar lamotivación esencialde iterador y generador. aparece en otros idiomas también 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 ingenuo es problemático. Si el volumen de datos es enorme, es costoso almacenarlos como un todo de antemano. Entonces, en lugar de almacenar la data directamente, ¿por qué no almacenar algún tipo de metadata indirectamente, es decir, the logic how the data is computed

Hay 2 enfoques para envolver tales metadatos.

  1. El OO enfoque, envolvemos los metadatos as a class. Este es el llamado iterator que implementa el protocolo del iterador (es decir, los métodos __next__() y __iter__()). Este también es el patrón de diseño del iterador ).
  2. El enfoque funcional, envolvemos los metadatos as a function. Esto es El llamado generator function. Pero bajo el capó, el generator object devuelto todavía IS-A iterador porque también implementa el protocolo del iterador.

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

43
smwikipedia

El rendimiento es un objeto

Una return en una función devolverá un solo valor.

Si desea una función para devolver un gran conjunto de valores , use yield.

Más importante aún, yield es una barrera .

como barrera en el lenguaje CUDA, no transferirá el control hasta que se complete .

Es decir, ejecutará el código en su función desde el principio hasta que llegue a yield. Luego, devolverá el primer valor del bucle.

Luego, todas las demás llamadas ejecutarán el bucle que ha escrito en la función una vez más, devolviendo el siguiente valor hasta que no haya ningún valor para devolver.

43
Kaleem Ullah

En resumen, la declaración yield transforma su función en una fábrica que produce un objeto especial llamado generator que envuelve el cuerpo de su función original. Cuando la generator se itera, ejecuta su función hasta que alcanza la siguiente yield, luego suspende la ejecución y evalúa el valor pasado a 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

Digamos que querías crear tu propia función range que produce un rango de números iterable, podrías 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 llamada 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, next() se 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' nuevamente, continuará de esa manera hasta que la condición while devuelva falso y el generador salte al final de la función.

42
redbandit

Muchas personas usan return en lugar de yield, pero en algunos casos yield puede ser más eficiente y más fácil de trabajar.

Aquí hay un ejemplo que yield es definitivamente el mejor para:

return (en función)

import random

def return_dates():
    dates = [] # With 'return' you need to create a list then return it
    for i in range(5):
        date = random.choice(["1st", "2nd", "3rd", "4th", "5th", "6th", "7th", "8th", "9th", "10th"])
        dates.append(date)
    return dates

rendimiento (en función)

def yield_dates():
    for i in range(5):
        date = random.choice(["1st", "2nd", "3rd", "4th", "5th", "6th", "7th", "8th", "9th", "10th"])
        yield date # 'yield' makes a generator automatically which works
                   # in a similar way. This is much more efficient.

Funciones de llamada

dates_list = return_dates()
print(dates_list)
for i in dates_list:
    print(i)

dates_generator = yield_dates()
print(dates_generator)
for i in dates_generator:
    print(i)

Ambas funciones hacen lo mismo, pero yield usa tres líneas en lugar de cinco y tiene una variable menos de la que preocuparse.

Este es el resultado del código:

 Output

Como puedes ver ambas funciones hacen lo mismo. La única diferencia es que return_dates() da una lista y yield_dates() da un generador.

Un ejemplo de la vida real sería algo así como leer un archivo línea por línea o si solo desea crear un generador.

40
Tom Fuller

yield es como un elemento de retorno para una función. La diferencia es que el elemento yield convierte una función en un generador. Un generador se comporta como una función hasta que algo se "cede". El generador se detiene hasta su próxima llamada, y continúa desde exactamente el mismo punto en que comenzó. Puede obtener una secuencia de todos los valores 'producidos' en uno, llamando a list(generator()).

35
Theoremiser

La palabra clave yield simplemente recopila resultados devueltos. Piense en yield como return +=

35
Bahtiyar Özdere

Aquí hay un enfoque simple basado en yield, para calcular la serie de fibonacci, que se explica:

def fib(limit=50):
    a, b = 0, 1
    for i in range(limit):
       yield b
       a, b = b, a+b

Cuando ingrese esto en su REPL y luego intente llamarlo, obtendrá un resultado desconcertante:

>>> fib()
<generator object fib at 0x7fa38394e3b8>

Esto se debe a que la presencia de yield le indicó a Python que desea crear un generador , es decir, un objeto que genera valores a pedido.

Entonces, ¿cómo se generan estos valores? Esto se puede hacer directamente usando la función incorporada next, o, indirectamente, alimentándola a una construcción que consume valores. 

Usando la función next() incorporada, usted invoca directamente .next/__next__, forzando al generador a producir un valor:

>>> g = fib()
>>> next(g)
1
>>> next(g)
1
>>> next(g)
2
>>> next(g)
3
>>> next(g)
5

Indirectamente, si proporciona fib a un bucle for, un inicializador list, un inicializador Tuple, o cualquier otra cosa que espere un objeto que genere/produzca valores, "consumirá" el generador hasta que no pueda generar más valores ( y vuelve):

results = []
for i in fib(30):       # consumes fib
    results.append(i) 
# can also be accomplished with
results = list(fib(30)) # consumes fib

De manera similar, con un inicializador Tuple

>>> Tuple(fib(5))       # consumes fib
(1, 1, 2, 3, 5)

Un generador se diferencia de una función en el sentido de que es perezoso. Esto se logra al mantener su estado local y permitirle reanudar cuando lo necesite. 

Cuando invocas fib por primera vez llamándolo:

f = fib()

Python compila la función, encuentra la palabra clave yield y simplemente le devuelve un objeto generador. No es muy útil lo que parece. 

Cuando luego solicita, genera el primer valor, directa o indirectamente, ejecuta todas las declaraciones que encuentra, hasta que encuentra una yield, luego devuelve el valor que proporcionó a yield y se detiene. Para un ejemplo que demuestre mejor esto, usemos algunas llamadas print (reemplace con print "text" si está en Python 2):

def yielder(value):
    """ This is an infinite generator. Only use next on it """ 
    while 1:
        print("I'm going to generate the value for you")
        print("Then I'll pause for a while")
        yield value
        print("Let's go through it again.")

Ahora, ingrese en el REPL:

>>> gen = yielder("Hello, yield!")

ahora tiene un objeto generador esperando un comando para que genere un valor. Use next y vea qué se imprimió:

>>> next(gen) # runs until it finds a yield
I'm going to generate the value for you
Then I'll pause for a while
'Hello, yield!'

Los resultados no citados son los que se imprimen. El resultado citado es lo que se devuelve de yield. Llama a next otra vez ahora:

>>> next(gen) # continues from yield and runs again
Let's go through it again.
I'm going to generate the value for you
Then I'll pause for a while
'Hello, yield!'

El generador recuerda que se detuvo en yield value y se reanuda desde allí. El siguiente mensaje se imprime y la búsqueda de la instrucción yield para pausar nuevamente se realiza (debido al bucle while).

32

Un ejemplo simple de lo que se explica fácilmente: yield

def f123():
    for _ in range(4):
        yield 1
        yield 2


for i in f123():
    print i

La salida es: 

1 2 1 2 1 2 1 2
29
Gavriel Cohen

Sin embargo, otro TL; DR

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

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

Puede ver el rendimiento/generador como una forma de ejecutar manualmente el flujo de controldesde afuera (como continuar un ciclo en bucle), llamando a next, sin embargo el flujo es complejo.

Nota : El generador esNOuna 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 de yield, pero no sería tan agradable, por lo que puede considerarse un lenguaje muy bueno.

28
Christophe Roussy

rendimiento es similar a la devolución. La diferencia es: 

yield hace que una función sea iterable (en el siguiente ejemplo, la función primes(n = 1) se vuelve iterable).
Lo que significa esencialmente es que la próxima vez que se llame a la función, continuará desde donde se fue (lo que está después de la línea de yield expression).

def isprime(n):
    if n == 1:
        return False
    for x in range(2, n):
        if n % x == 0:
            return False
    else:
        return True

def primes(n = 1):
   while(True):
       if isprime(n): yield n
       n += 1 

for n in primes():
    if n > 100: break
    print(n)

En el ejemplo anterior, si isprime(n) es verdadero, devolverá el número primo. En la siguiente iteración continuará desde la siguiente línea. 

n += 1  
24
blueray

Todas las respuestas aquí son geniales; pero solo uno de ellos (el más votado) se relaciona con cómo funciona su código. Otros están relacionados con generadores en general, y cómo funcionan.

Así que no repetiré qué son los generadores o qué hacen los rendimientos; Creo que estos están cubiertos por grandes respuestas existentes. Sin embargo, después de pasar algunas horas tratando de entender un código similar al tuyo, lo explicaré cómo funciona.

Su código atraviesa una estructura de árbol binario. Tomemos este árbol por ejemplo:

    5
   / \
  3   6
 / \   \
1   4   8

Y otra implementación más simple de un cruce de árbol de búsqueda binaria:

class Node(object):
..
def __iter__(self):
    if self.has_left_child():
        for child in self.left:
            yield child

    yield self.val

    if self.has_right_child():
        for child in self.right:
            yield child

El código de ejecución está en el objeto Tree, que implementa __iter__ como esto:

def __iter__(self):

    class EmptyIter():
        def next(self):
            raise StopIteration

    if self.root:
        return self.root.__iter__()
    return EmptyIter()

La instrucción while candidates puede reemplazarse con for element in tree; Python traduce esto a

it = iter(TreeObj)  # returns iter(self.root) which calls self.root.__iter__()
for element in it: 
    .. process element .. 

Como la función Node.__iter__ es un generador, el código dentro de él se ejecuta por iteración. Entonces la ejecución se vería así:

  1. el elemento raíz es el primero; verifique si ha dejado childs y for iterarlos (llamémoslo1 porque es el primer objeto iterador)
  2. tiene un hijo por lo que la for se ejecuta. El for child in self.left crea un nuevo iterador a partir de self.left, que es un objeto Node (it2)
  3. La misma lógica que 2, y se crea una nueva iterator (it3)
  4. Ahora llegamos al extremo izquierdo del árbol. it3 no tiene childs izquierdos así que continúa y yield self.value
  5. En la próxima llamada a next(it3) se eleva StopIteration y existe ya que no tiene hijos correctos (llega hasta el final de la función sin ceder nada)
  6. it1 y it2 todavía están activos, no están agotados y llamar a next(it2) produciría valores, no aumentaría StopIteration
  7. Ahora volvemos al contexto it2, y llamamos a next(it2) que continúa donde se detuvo: justo después de la instrucción yield child. Como ya no tiene más hijos, continúa y produce self.val.

El problema aquí es que cada iteración crea sub-iteradores para atravesar el árbol, y mantiene el estado del iterador actual. Una vez que llega al final, recorre la pila y los valores se devuelven en el orden correcto (el valor de los rendimientos más pequeños primero).

Su ejemplo de código hizo algo similar en una técnica diferente: llenó un lista de un elemento para cada niño, luego, en la siguiente iteración, lo muestra y ejecuta el código de función en el objeto actual (de ahí la self) .

Espero que esto haya contribuido un poco a este tema legendario. Pasé varias buenas horas dibujando este proceso para entenderlo.

10
Chen A.

En resumen, el uso de rendimiento es similar a la palabra clave retorno, excepto que devuelve un generador .
Un generador objeto se desplaza por solo una vez.

rendimiento tiene dos beneficios: 

  1. No necesitas leer estos valores dos veces; 
  2. Puede obtener muchos nodos secundarios sin tener que guardarlos todos en la memoria.
8
123

Una analogía podría ayudar a comprender la idea aquí:

Imagina que has creado una máquina increíble que es capaz de generar miles y miles de bombillas por día. La máquina genera estas bombillas en cajas con un número de serie único. No tiene espacio suficiente para almacenar todas estas bombillas al mismo tiempo (es decir, no puede mantenerse al día con la velocidad de la máquina debido a la limitación de almacenamiento), por lo que le gustaría ajustar esta máquina para generar bombillas a pedido.

Los generadores de Python no difieren mucho de este concepto.

Imagina que tienes una función x que genera números de serie únicos para las cajas. Obviamente, puede tener una gran cantidad de códigos de barras generados por la función. Una opción más inteligente y eficiente en espacio es generar esos números de serie a pedido.

Código de la máquina:

def barcode_generator():
    serial_number = 10000  # Initial barcode
    while True:
        yield serial_number
        serial_number += 1


barcode = barcode_generator()
while True:
    number_of_lightbulbs_to_generate = int(input("How many lightbulbs to generate? "))
    barcodes = [next(barcode) for _ in range(number_of_lightbulbs_to_generate)]
    print(barcodes)

    # function_to_create_the_next_batch_of_lightbulbs(barcodes)

    produce_more = input("Produce more? [Y/n]: ")
    if produce_more == "n":
        break

Como puede ver, tenemos una "función" autocontenida para generar el siguiente número de serie único cada vez. ¡Esta función devuelve un generador! Como puede ver, no estamos llamando a la función cada vez que necesitamos un nuevo número de serie, pero estamos usando next() dado el generador para obtener el siguiente número de serie.

Salida:

How many lightbulbs to generate? 5
[10000, 10001, 10002, 10003, 10004]
Produce more? [Y/n]: y
How many lightbulbs to generate? 6
[10005, 10006, 10007, 10008, 10009, 10010]
Produce more? [Y/n]: y
How many lightbulbs to generate? 7
[10011, 10012, 10013, 10014, 10015, 10016, 10017]
Produce more? [Y/n]: n
8
Rafael

En Python generators (un tipo especial de iterators) se utilizan para generar series de valores y la palabra clave yield es igual que la palabra clave return de las funciones del generador. 

La otra palabra fascinante que yield hace es guardar state de una función de generador

Por lo tanto, podemos establecer una number en un valor diferente cada vez que la generator ceda. 

Aquí hay una instancia:

def getPrimes(number):
    while True:
        if isPrime(number):
            number = yield number     # a miracle occurs here
        number += 1

def printSuccessivePrimes(iterations, base=10):
primeGenerator = getPrimes(base)
primeGenerator.send(None)
for power in range(iterations):
    print(primeGenerator.send(base ** power))
7
ARGeo

Rendimiento

>>> def create_generator():
...    my_list = range(3)
...    for i in my_list:
...        yield i*i
...
>>> my_generator = create_generator() # create a generator
>>> print(my_generator) # my_generator is an object!
<generator object create_generator at 0xb7555c34>
>>> for i in my_generator:
...     print(i)
0
1
4

En resumen , puede ver que el bucle no se detiene y continúa funcionando incluso después de que se envía el objeto o la variable (a diferencia de return donde el bucle se detiene después de la ejecución).

6
Gavriel Cohen

yield es un tipo de generador que se puede usar en python.

aquí hay un enlace para ver lo que realmente hace el rendimiento, también en generación. Generadores y palabra clave de rendimiento - Python Central (PC)

También yield funciona como return, pero de una manera diferente a return. Incluso hay un enlace que explica yield más, si no entiendes el otro no tan bien. Mejora tu habilidad de rendimiento - jeffknupp

En palabras más simples, 'rendimiento' es similar a 'devolver' un valor, pero funciona en Generator.

1
user3701435

En rendimiento simple devuelve el objeto generador en lugar de valores. 

A continuación un simple ejemplo ayudará!

def sim_generator():
    for i in range(3):
        yield(i)

obj = sim_generator()
next(obj) # another way is obj.__next__()
next(obj)
next(obj)

el código anterior devuelve 0, 1, 2

o incluso corto

for val in sim_generator():
    print(val)

devuelve 0, 1, 2

Espero que esto ayude

1
Vivek Ananthan

Una simple función de generador.

def my_gen():
    n = 1
    print('This is printed first')
    # Generator function contains yield statements
    yield n

    n += 1
    print('This is printed second')
    yield n

    n += 1
    print('This is printed at last')
    yield n

la declaración de rendimiento hace una pausa en la función guardando todos sus estados y luego continúa desde allí en llamadas sucesivas.

https://www.programiz.com/python-programming/generator

0
Savai Maheshwari

yield da algo. Es como si alguien te pidiera que hicieras pasteles de 5 tazas. Si ha terminado con al menos una taza de pastel, puede dárselos para que coman mientras usted prepara otros pasteles.

In [4]: def make_cake(numbers):
   ...:     for i in range(numbers):
   ...:         yield 'Cake {}'.format(i)
   ...:

In [5]: factory = make_cake(5)

Aquí factory se llama generador, que te hace pasteles. Si llama a make_function, obtiene un generador en lugar de ejecutar esa función. Se debe a que cuando la palabra clave yield está presente en una función, se convierte en un generador.

In [7]: next(factory)
Out[7]: 'Cake 0'

In [8]: next(factory)
Out[8]: 'Cake 1'

In [9]: next(factory)
Out[9]: 'Cake 2'

In [10]: next(factory)
Out[10]: 'Cake 3'

In [11]: next(factory)
Out[11]: 'Cake 4'

Se consumieron todos los pasteles, pero piden uno de nuevo.

In [12]: next(factory)
---------------------------------------------------------------------------
StopIteration                             Traceback (most recent call last)
<ipython-input-12-0f5c45da9774> in <module>
----> 1 next(factory)

StopIteration:

y se les dice que dejen de pedir más. Entonces, una vez que consumiste un generador, terminaste con él. Necesita volver a llamar a make_cake si desea más pasteles. Es como hacer otro pedido de cup cakes.

In [13]: factory = make_cake(3)

In [14]: for cake in factory:
    ...:     print(cake)
    ...:
Cake 0
Cake 1
Cake 2

También puede utilizar para bucle con un generador como el anterior.

Un ejemplo más: Digamos que desea una contraseña aleatoria cada vez que la solicita.

In [22]: import random

In [23]: import string

In [24]: def random_password_generator():
    ...:     while True:
    ...:         yield ''.join([random.choice(string.ascii_letters) for _ in range(8)])
    ...:

In [25]: rpg = random_password_generator()

In [26]: for i in range(3):
    ...:     print(next(rpg))
    ...:
FXpUBhhH
DdUDHoHn
dvtebEqG

In [27]: next(rpg)
Out[27]: 'mJbYRMNo'

Aquí rpg es un generador, que puede generar un número infinito de contraseñas aleatorias. Entonces, también podemos decir que los generadores son útiles cuando no conocemos la longitud de la secuencia, a diferencia de la lista que tiene un número finito de elementos.

0
thavan