生成器在建模中主要做什么级别 (生成器在建模中的应用)
本文目录导航：
生成器在建模中主要做什么级别
生成器在建模中主要做父级。
生成器是一次生成一个值的特殊类型函数。
可以将其视为可恢复函数。
调用该函数将返回一个可用于生成连续 x 值的生成【Generator】，简单的说就是在函数的执行过程中，yield语句会把你需要的值返回给调用生成器的地方，然后退出函数，下一次调用生成器函数的时候又从上次中断的地方开始执行，而生成器内的所有变量参数都会被保存下来供下一次使用。
生成器也是一种迭代器，但是你只能对其迭代一次 。
这是因为它们并没有把所有的值存在内存中，而是在运行时生成值。
你通过遍历来使用它们，要么用一个“for”循环，要么将它们传递给任意可以进行迭代的函数和结构。
大多数时候生成器是以函数来实现的。
然而，它们并不返回一个值，而是yield(暂且译作“生出”)一个值。
生成器创建方式大体可以分为以下 2 步：
1.定义一个以 yield 关键字标识返回值的函数；
2.调用刚刚创建的函数，即可创建一个生成器。
python迭代器和生成器区别是什么
python中迭代器和生成器的区别
1、共同点
生成器是一种特殊的迭代器。
2、不同点
a、语法上：
生成器是通过函数的形式中调用 yield 或（）的形式创建的。
迭代器可以通过 iter（） 内置函数创建。
b、用法上：
生成器在调用next（）函数或for循环中，所有过程被执行，且返回值。
迭代器在调用next（）函数或for循环中，所有值被返回，没有其他过程或动作。
python生成器到底有什么优点?
Python生成器提供了内存节省和按需生成数据的特性，尤其适用于处理大量数据时。
相比列表解析式，生成器不一次性生成整个列表，从而减少内存压力。
生成器有两种形式：生成器函数和生成器表达式。
生成器函数使用`yield`关键字返回值，允许函数在每次调用`next()`时从上一次调用的地方继续运行。
这使得它们能够在迭代环境中产生一系列值，无需一次性构建整个列表。
以生成器函数为例，它们返回一个迭代器，for循环等迭代环境不断调用`next()`函数，直至所有`yield`语句执行完毕，引发`StopIteration`异常。
生成器函数可以保存内部状态，使得计算过程在循环中连续进行。
生成器函数的运行过程可以手动模拟，与for循环等迭代环境的运行方式相似。
在for循环中使用生成器函数相对简单，其返回的迭代器可以在循环中不断调用，从而按需获取结果。
在生成器函数中，内部状态的保存允许在每次循环时从`yield`处产生一个值，返回给调用者。
在`yield`后保存内部状态，并在下一轮迭代时从`yield`处继续执行，沿用上一轮的内部变量状态，直到内部循环结束。
生成器表达式则类似于列表解析式，但使用圆括号而不是方括号。
生成器表达式返回一个生成器对象，而非一次性生成整个列表，这使得它们在内存使用上更加高效。
生成器表达式支持迭代协议，适用于所有迭代环境。
生成器表达式与列表解析式的主要区别在于运行效率和内存使用。
列表解析式速度快，但可能导致内存占用过多；生成器表达式则更节省内存，运行速度略慢，更适合处理大量数据。
总之，生成器提供了内存优化和按需生成数据的能力，是处理大数据集的理想选择。
它们在速度和内存使用之间提供了平衡，使得Python编程和数据分析更加高效。
对于更全面的Python编程和数据分析内容，欢迎关注《python数据分析编程基础》专栏和《机器学习中的数学-全集》系列专栏。
phper