在理解Python数据结构、容器、迭代器、迭代器、生成器、列表/集合/字典推导（list、set、dict理解）的诸多概念混杂在一起，难免让人初学者迷茫。我将用一篇文章来尝试阐明这些概念以及它们之间的关系。容器（container）容器是一种将多个元素组织在一起的数据结构。容器中的元素可以一个一个的迭代获取。您可以使用in和notin关键字来确定元素是否包含在容器中。通常这种数据结构将所有元素都存储在内存中（也有一些特殊情况不是所有元素都放在内存中，比如迭代器和生成器对象）。在Python中，常见的容器对象有：list,deque,....set,frozensets,....dict,defaultdict,OrderedDict,Counter,....tuple,namedtuple,...str容器比较容易理解，因为你可以把它想象成一个盒子，一个房子，一个柜子，什么东西都可以装。从技术角度来说，当它可以用来询问一个元素是否包含在其中时，那么这个对象就可以认为是一个容器，比如list、set、tuples都是容器对象：>>>assert1in[1,2,3]#lists>>>assert4notin[1,2,3]>>>assert1in{1,2,3}#sets>>>assert4notin{1,2,3}>>>assert1in(1,2,3)#tuples>>>assert4notin(1,2,3)询问一个元素是否在dict中，中间键为dict:>>>d={1:'foo',2:'bar',3:'qux'}>>>assert1ind>>>assert'foo'notind#'foo'isnotanelementindict询问子串是否在string中：>>>s='foobar'>>>assert'b'ins>>>assert'x'notins>>>assert'foo'ins虽然大多数容器都提供了一些方法来获取其中的每个元素，但这并不是容器本身提供的能力，而是给出containerthis当然不是所有的容器都是可迭代的，比如：Bloomfilter，虽然Bloomfilter可以用来检测一个元素是否包含在容器中，但是它不能从th中获取每一个值e容器，因为Bloomfilter根本不把元素存储在容器中，而是通过hash函数把元素映射成一个值，存储在数组中。可迭代对象（iterable）刚才说了，很多容器都是可迭代对象，还有更多的对象也是可迭代对象，比如openfiles，sockets等等。但是任何可以返回迭代器的对象都可以称为可迭代对象。听起来可能有点乱，没关系，我们先来看一个例子：>>>x=[1,2,3]>>>y=iter(x)>>>z=iter(x)>>>next(y)1>>>next(y)2>>>next(z)1>>>type(x)>>>type(y)这里的x是一个可迭代对象，可迭代对象是容器之类的通俗称呼，不是具体的数据类型，list是可迭代对象，dict是可迭代对象，set也是可迭代对象。y和z是两个独立的迭代器，迭代器内部持有一个状态，用于记录当前迭代的位置，以便在下一次迭代中获取正确的元素。迭代器有特定的迭代器类型，如list_iterator、set_iterator。可迭代对象实现了__iter__方法，该方法返回一个迭代器对象。运行代码时：x=[1,2,3]foreleminx:...实际执行是：反编译代码，可以看到解释器显式调用了GET_ITER指令，相当于调用了iter(x)，FOR_ITER指令是调用next()方法不断获取迭代器中的下一个元素，但是从指令中是看不出来的，因为它已经被解释器优化过了。>>>importdis>>>x=[1,2,3]>>>dis.dis('for_inx:pass')10SETUP_LOOP14(to17)3LOAD_NAME0(x)6GET_ITER>>7FOR_ITER6(to16)10STORE_NAME1(_)13JUMP_ABSOLUTE7>>16POP_BLOCK>>17LOAD_CONST0(None)20RETURN_VALUE迭代器（iterator）那么什么是迭代器呢？它是一个有状态的对象，可以在调用next()方法时返回容器中的下一个值，任何实现__iter__和__next__()（python2中实现next()的对象）都是迭代器。__iter__返回迭代器本身，而__next__返回容器中的下一个值。如果容器中没有更多元素，则抛出StopIteration异常，而不管它们是如何实现的。因此，迭代器是一个实现工厂模式的对象，它会在您每次请求下一个值时返回给您。关于迭代器的例子有很多，例如，itertools函数返回迭代器对象。生成***序列：>>>fromitertoolsimportcount>>>counter=count(start=13)>>>next(counter)13>>>next(counter)14从有限序列生成***序列：>>>fromitertoolsimportcycle>>>colors=cycle(['red','white','blue'])>>>next(colors)'red'>>>next(colors)'white'>>>next(colors)'blue'>>>next(colors)'red'从***的序列生成有限序列：>>>fromitertoolsimportislice>>>colors=cycle(['red','white','blue'])#infinite>>>limited=islice(colors,0,4)#finite>>>forxinlimited:...print(x)redwhitebluered为了更直观的体验迭代器内部的执行过程，我们自定义一个迭代器来使用以Bonacci序列为例：=Fib()>>>list(islice(f,0,10))[1,1,2,3,5,8,13,21,34,55]Fib既是一个可迭代对象（因为它实现了__iter__方法）和一个迭代器（因为__next__方法实现）。实例变量prev和curruser维护迭代器内部的状态。每次调用next()方法时做两件事：为下次调用next()方法修改状态，为当前调用生成返回结果迭代器就像一个惰性工厂，直到有人给它需要将生成的值返回，不被调用时处于休眠状态等待下一次调用。生成器（generator）生成器是Python语言中最吸引人的特性之一。生成器其实就是一个特殊的迭代器，只不过这个迭代器更加优雅。它不再需要像上面的类那样写__iter__()和__next__()方法，只需要一个yield关键字。一个生成器一定是一个迭代器（反之亦然），所以任何一个生成器也是以懒加载的方式生成值的。使用生成器实现斐波那契数列的例子是：defib():prev,curr=0,1whileTrue:yieldcurrprev,curr=curr,curr+prev>>>f=fib()>>>list(islice(f,0,10))[1,1,2,3,5,8,13,21,34,55]fib是一个普通的python函数，它的特殊之处在于函数体中没有return关键字，function的返回值是一个生成器对象。当f=fib()的执行返回一个生成器对象时，此时并不会执行函数体中的代码，只有在显式或隐式调用next时才会真正执行里面的代码。生成器是Python中一个非常强大的编程结构，可以用更少的中间变量编写流式代码。另外，它相对于其他容器对象可以节省内存和CPU，当然也可以用更少的代码实现类似的功能。现在您可以手动重构您的代码，但如果您看到类似以下内容：defsomething():result=[]for...in...:result.append(x)returnresult可以替换为生成器函数：defiter_something():for...in...:yieldxgeneratorexpression(generatorexpression)生成器表达式是列表下推的生成器版本，看起来像列表理解，但它返回的是生成器对象而不是列表对象。>>>a=(x*xforxinrange(10))>>>aat0x401f08>>>>sum(a)285摘要容器是元素的集合，str，list，set，dict，file，sockets对象可以看作是容器，容器是可以迭代的（用在for、while等中），所以称为可迭代对象。可迭代对象实现了__iter__方法，该方法返回一个迭代器对象。迭代器持有一个内部状态字段，用于记录下一次迭代的返回值。它实现了__next__和__iter__方法。迭代器不会一次性将所有元素加载到内存中，而是只在需要时才生成返回结果。生成器是一种特殊的迭代器，其返回值不是返回而是产生。参考链接：https://docs.python.org/2/library/stdtypes.html#iterator-types
