Производительность генератора Python и итератора [Complete Guide]

Генераторы и итераторы Python используются для перебора набора элементов. Хотя они оба служат одной и той же цели, они работают по-разному и имеют разные последствия для производительности. В этом руководстве мы рассмотрим, что такое генераторы и итераторы, как их создать и проанализируем их производительность.

Генератор Python против итератора

Итераторы

• Итератор — это объект, реализующий протокол итератора, состоящий из методов итер() и следующий().
• Итераторы допускают ленивую оценку, что означает, что следующее значение в последовательности вычисляется по требованию.
• Они используются для обхода контейнеров, таких как списки, кортежи и т. д.

Генераторы

• Генераторы — это простой способ создания итераторов.
• Они также допускают ленивые вычисления, но используют функцию с оператором yield вместо реализации оператора yield. итер() и следующий() методы.
• Генераторы автоматически поддерживают состояние между последовательными вызовами.

Генераторы Python

Как создать генератор

Вы можете создать генератор, определив функцию и используя ключевое слово yield в Python.

def count_up_to(max):
    count = 1
    while count <= max:
        yield count
        count += 1

# Using the generator
for number in count_up_to(5):
    print(number)

Вы можете увидеть вывод, как показано ниже:

Анализ производительности

Генераторы Python эффективно используют память. Они не хранят все значения в памяти; они генерируют каждое значение на лету.

import sys

# List comprehension uses a lot of memory
numbers_list = [x for x in range(1000000)]
print("Size of the list:", sys.getsizeof(numbers_list), "bytes")

# Generator expression uses less memory
numbers_generator = (x for x in range(1000000))
print("Size of the generator:", sys.getsizeof(numbers_generator), "bytes")

Итераторы Python

Как создать итератор

Чтобы создать итератор, вам нужно реализовать итер и следующий методы в Python.

class CountUpTo:
    def __init__(self, max):
        self.max = max
        self.count = 0
        
    def __iter__(self):
        return self
        
    def __next__(self):
        if self.count > self.max:
            raise StopIteration
        self.count += 1
        return self.count - 1

# Using the iterator
counter = CountUpTo(5)
for number in counter:
    print(number)

Анализ производительности

Итераторы Python также не хранят все значения в памяти, а генерируют их на лету. Однако создание итератора требует определения класса, который может быть более подробным, чем генераторы.

import sys

# Iterator
class RangeSquared:
    def __init__(self, n):
        self.n = n
        self.i = 0
    
    def __iter__(self):
        return self
    
    def __next__(self):
        if self.i >= self.n:
            raise StopIteration
        else:
            result = self.i ** 2
            self.i += 1
            return result

# Memory consumption
numbers_iterator = RangeSquared(1000000)
print("Size of the iterator:", sys.getsizeof(numbers_iterator), "bytes")

Генераторы и итераторы: отличия

Заключение

Когда вам нужно перебрать последовательность данных, не загружая все данные в память, полезны как генераторы, так и итераторы. Генераторы проще написать, и они должны быть вашим выбором для большинства случаев использования. Однако, если вам нужен больший контроль над процессом итерации, лучшим вариантом может быть реализация пользовательского итератора.

Я надеюсь, вы получили представление о Производительность генератора Python и итератора.

Вам также может понравиться:

Я Биджай Кумар, Microsoft MVP в SharePoint. Помимо SharePoint, последние 5 лет я начал работать над Python, машинным обучением и искусственным интеллектом. За это время я приобрел опыт работы с различными библиотеками Python, такими как Tkinter, Pandas, NumPy, Turtle, Django, Matplotlib, Tensorflow, Scipy, Scikit-Learn и т. д. для различных клиентов в США, Канаде, Великобритании, Австралии, Новая Зеландия и т. д. Проверьте мой профиль.