在Python中，通过生成器表达式创建生成器对象和使用yield语句创建有什么区别吗？
使用yield：
def Generator(x, y):
for i in xrange(x):
for j in xrange(y):
yield(i, j)
使用生成器表达式：
def Generator(x, y):
return ((i, j) for i in xrange(x) for j in xrange(y))
这两个函数都返回生成器对象，用于产生元组，例如(0,0),(0,1)等。
有没有一个更好的选择呢？你有什么想法吗？
dis模块自行检查此类内容。FOR_ITER开始，它们只有一个方面不同：在循环内部，“yield”方法使用LOAD_FAST代替LOAD_DEREF。相对于LOAD_FAST，LOAD_DEREF速度"较慢"，因此对于足够大的x（外循环）值，使得“yield”版本稍快于生成器表达式，因为每次传递时y的值加载得更快。对于较小的x值，由于设置代码的额外开销，它会稍微慢一些。LOAD_FAST在其他情况下给“yield”版本带来了优势。
在任何情况下，性能差异都不足以证明选择其中之一的合理性。可读性更加重要，因此请根据实际情况使用最容易阅读的方式。
>>> def Generator(x, y):
... for i in xrange(x):
... for j in xrange(y):
... yield(i, j)
...
>>> dis.dis(Generator)
2 0 SETUP_LOOP 54 (to 57)
3 LOAD_GLOBAL 0 (xrange)
6 LOAD_FAST 0 (x)
9 CALL_FUNCTION 1
12 GET_ITER
>> 13 FOR_ITER 40 (to 56)
16 STORE_FAST 2 (i)
3 19 SETUP_LOOP 31 (to 53)
22 LOAD_GLOBAL 0 (xrange)
25 LOAD_FAST 1 (y)
28 CALL_FUNCTION 1
31 GET_ITER
>> 32 FOR_ITER 17 (to 52)
35 STORE_FAST 3 (j)
4 38 LOAD_FAST 2 (i)
41 LOAD_FAST 3 (j)
44 BUILD_TUPLE 2
47 YIELD_VALUE
48 POP_TOP
49 JUMP_ABSOLUTE 32
>> 52 POP_BLOCK
>> 53 JUMP_ABSOLUTE 13
>> 56 POP_BLOCK
>> 57 LOAD_CONST 0 (None)
60 RETURN_VALUE
>>> def Generator_expr(x, y):
... return ((i, j) for i in xrange(x) for j in xrange(y))
...
>>> dis.dis(Generator_expr.func_code.co_consts[1])
2 0 SETUP_LOOP 47 (to 50)
3 LOAD_FAST 0 (.0)
>> 6 FOR_ITER 40 (to 49)
9 STORE_FAST 1 (i)
12 SETUP_LOOP 31 (to 46)
15 LOAD_GLOBAL 0 (xrange)
18 LOAD_DEREF 0 (y)
21 CALL_FUNCTION 1
24 GET_ITER
>> 25 FOR_ITER 17 (to 45)
28 STORE_FAST 2 (j)
31 LOAD_FAST 1 (i)
34 LOAD_FAST 2 (j)
37 BUILD_TUPLE 2
40 YIELD_VALUE
41 POP_TOP
42 JUMP_ABSOLUTE 25
>> 45 POP_BLOCK
>> 46 JUMP_ABSOLUTE 6
>> 49 POP_BLOCK
>> 50 LOAD_CONST 0 (None)
53 RETURN_VALUE
LOAD_DEREF速度“相对较慢”的源代码，所以如果性能真的很重要，用timeit进行一些实际的计时会很好。理论分析只能走得这么远。 - Peter Hansendis进行快速检查，可以发现Python 3.10.12中的基本差异与我上面展示的相同。无论LOAD_DEREF是否仍然（或曾经）是“相对较慢”，只有通过实际测量才能得到答案，而实际测量始终取决于主机平台（例如CPU、操作系统）和Python的具体版本。如果这对你很重要，你需要进行测量。 - undefinedyield可以用于更复杂的结构-例如它还可以接受来自调用者的值并相应地修改流程。阅读PEP 342以获取更多详细信息（这是一种值得了解的有趣技术）。def grep(pattern):
print "Looking for %s" % pattern
while True:
line = (yield)
if pattern in line:
print line,
# Example use
if __name__ == '__main__':
g = grep("python")
g.next()
g.send("Yeah, but no, but yeah, but no")
g.send("A series of tubes")
g.send("python generators rock!")
对于您可以适合生成器表达式的简单循环类型，没有区别。但是yield可以用于创建执行更复杂处理的生成器。下面是一个生成斐波那契数列的简单示例：
>>> def fibgen():
... a = b = 1
... while True:
... yield a
... a, b = b, a+b
>>> list(itertools.takewhile((lambda x: x<100), fibgen()))
[1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89]
在使用中，需要注意生成器对象和生成器函数之间的区别。
生成器对象只能使用一次，而生成器函数可以每次调用时重新使用，因为它会返回一个全新的生成器对象。
通常情况下，生成器表达式通常是“原始”的，不需要将其包装在一个函数中，并且它们返回一个生成器对象。
例如：
def range_10_gen_func():
x = 0
while x < 10:
yield x
x = x + 1
print(list(range_10_gen_func()))
print(list(range_10_gen_func()))
print(list(range_10_gen_func()))
输出结果如下：
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
与稍微不同的用法进行比较:
range_10_gen = range_10_gen_func()
print(list(range_10_gen))
print(list(range_10_gen))
print(list(range_10_gen))
输出结果为：
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
[]
[]
并与生成器表达式进行比较：
range_10_gen_expr = (x for x in range(10))
print(list(range_10_gen_expr))
print(list(range_10_gen_expr))
print(list(range_10_gen_expr))
还会输出：
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
[]
[]
如果表达式比嵌套循环更为复杂，使用yield是一种不错的选择。此外，您可以返回一个特殊的第一个或最后一个值。例如：
def Generator(x):
for i in xrange(x):
yield(i)
yield(None)
是的，两者有所不同。
对于生成器表达式(x for var in expr)，在创建表达式时会调用iter(expr)。
当使用def和yield来创建生成器时，例如：
def my_generator():
for var in expr:
yield x
g = my_generator()
iter(expr)尚未调用。只有在迭代g时才会被调用（甚至可能根本不会被调用）。
以这个迭代器为例：
from __future__ import print_function
class CountDown(object):
def __init__(self, n):
self.n = n
def __iter__(self):
print("ITER")
return self
def __next__(self):
if self.n == 0:
raise StopIteration()
self.n -= 1
return self.n
next = __next__ # for python2
g1 = (i ** 2 for i in CountDown(3)) # immediately prints "ITER"
print("Go!")
for x in g1:
print(x)
while:
def my_generator():
for i in CountDown(3):
yield i ** 2
g2 = my_generator()
print("Go!")
for x in g2: # "ITER" is only printed here
print(x)
__iter__中没有执行太多操作，因此很容易忽略这种行为。一个实际的例子是Django的QuerySet，它会在__iter__中获取数据，而data = (f(x) for x in qs)可能需要很长时间，而def g(): for x in qs: yield f(x)后面跟着data=g()则会立即返回。当考虑迭代器时，itertools模块：
......标准化了一组快速、内存高效的工具，这些工具本身或结合使用都很有用。它们共同构成了一个“迭代器代数”，使得可以在纯Python中简洁高效地构建专业工具。
为了提高性能，请考虑使用itertools.product(*iterables[, repeat])
输入可迭代对象的笛卡尔积。
等价于生成器表达式中的嵌套for循环。例如，
product(A, B)返回与((x,y) for x in A for y in B)相同的结果。
>>> import itertools
>>> def gen(x,y):
... return itertools.product(xrange(x),xrange(y))
...
>>> [t for t in gen(3,2)]
[(0, 0), (0, 1), (1, 0), (1, 1), (2, 0), (2, 1)]
>>>
yield会阻止您将return用于除隐式引发StopIteration（和相关协程）之外的其他内容。AttributeError）：class Tea:
"""With a cloud of milk, please"""
def __init__(self, temperature):
self.temperature = temperature
def mary_poppins_purse(tea_time=False):
"""I would like to make one thing clear: I never explain anything."""
if tea_time:
return Tea(355)
else:
for item in ['lamp', 'mirror', 'coat rack', 'tape measure', 'ficus']:
yield item
print(mary_poppins_purse(True).temperature)
class Tea:
"""With a cloud of milk, please"""
def __init__(self, temperature):
self.temperature = temperature
def mary_poppins_purse(tea_time=False):
"""I would like to make one thing clear: I never explain anything."""
if tea_time:
return Tea(355)
else:
return (item for item in ['lamp', 'mirror', 'coat rack',
'tape measure', 'ficus'])
print(mary_poppins_purse(True).temperature)