技術背景
在python編碼中for循環處理任務時，會將所有的待遍歷參量加載到內存中。其實這本沒有必要，因為這些參量很有可能是一次性使用的，甚至很多場景下這些參量是不需要同時存儲在內存中的，這時候就會用到本文所介紹的迭代生成器yield。
基本使用
首先我們用一個例子來演示一下迭代生成器yield的基本使用方法，這個例子的作用是構造一個函數用于生成一個平方數組。在普通的場景中我們一般會直接構造一個空的列表，然后將每一個計算結果填充到列表中，最后return列表即可，對應的是這里的函數square_number。而另外一個函數square_number_yield則是為了演示yield而構造的函數，其使用語法跟return是一樣的，不同的是每次只會返回一個值：
# test_yield.py
def square_number(length):
s = []
for i in range(length):
s.append(i ** 2)
return s
def square_number_yield(length):
for i in range(length):
yield i ** 2
if __name__ == '__main__':
length = 10
sn1 = square_number(length)
sn2 = square_number_yield(length)
for i in range(length):
print (sn1[i], '\t', end='')
print (next(sn2))
在main函數中我們對比了兩種方法執行的結果，打印在同一行上面，用end=''指令可以替代行末的換行符號，具體執行的結果如下所示：
[dechin@dechin-manjaro yield]$ python3 test_yield.py
0 0
1 1
4 4
9 9
16 16
25 25
36 36
49 49
64 64
81 81
可以看到兩種方法打印出來的結果是一樣的。也許有些場景下就是需要持久化的存儲函數中返回的結果，這一點用yield也是可以實現的，可以參考如下示例：
# test_yield.py
def square_number(length):
s = []
for i in range(length):
s.append(i ** 2)
return s
def square_number_yield(length):
for i in range(length):
yield i ** 2
if __name__ == '__main__':
length = 10
sn1 = square_number(length)
sn2 = square_number_yield(length)
sn3 = list(square_number_yield(length))
for i in range(length):
print (sn1[i], '\t', end='')
print (next(sn2), '\t', end='')
print (sn3[i])
這里使用的方法是直接將yield生成的對象轉化成list格式，或者用sn3 = [i for i in square_number_yield(length)]這種寫法也是可以的，在性能上應該差異不大。上述代碼的執行結果如下：
[dechin@dechin-manjaro yield]$ python3 test_yield.py
0 0 0
1 1 1
4 4 4
9 9 9
16 16 16
25 25 25
36 36 36
49 49 49
64 64 64
81 81 81
進階測試
在前面的章節中我們提到，使用yield可以節省程序的內存占用，這里我們來測試一個100000大小的隨機數組的平方和計算。如果使用正常的邏輯，那么寫出來的程序就是如下所示（關于python內存占用的追蹤方法，可以參考這一篇博客）：
# square_sum.py
import tracemalloc
import time
import numpy as np
tracemalloc.start()
start_time = time.time()
ss_list = np.random.randn(100000)
s = 0
for ss in ss_list:
s += ss ** 2
end_time = time.time()
print ('Time cost is: {}s'.format(end_time - start_time))
snapshot = tracemalloc.take_snapshot()
top_stats = snapshot.statistics('lineno')
for stat in top_stats[:5]:
print (stat)
這個程序一方面通過time來測試執行的時間，另一方面利用tracemalloc追蹤程序的內存變化。這里是先用np.random.randn()直接產生了100000個隨機數的數組用于計算，那么自然在計算的過程中需要存儲這些生成的隨機數，就會占用這么多的內存空間。如果使用yield的方法，每次只產生一個用于計算的隨機數，并且按照上一個章節中的用法，這個迭代生成的隨機數也是可以轉化為一個完整的list的：
# yield_square_sum.py
import tracemalloc
import time
import numpy as np
tracemalloc.start()
start_time = time.time()
def ss_list(length):
for i in range(length):
yield np.random.random()
s = 0
ss = ss_list(100000)
for i in range(100000):
s += next(ss) ** 2
end_time = time.time()
print ('Time cost is: {}s'.format(end_time - start_time))
snapshot = tracemalloc.take_snapshot()
top_stats = snapshot.statistics('lineno')
for stat in top_stats[:5]:
print (stat)
這兩個示例的執行結果如下，可以放在一起進行對比：
[dechin@dechin-manjaro yield]$ python3 square_sum.py
Time cost is: 0.24723434448242188s
square_sum.py:9: size=781 KiB, count=2, average=391 KiB
square_sum.py:12: size=24 B, count=1, average=24 B
square_sum.py:11: size=24 B, count=1, average=24 B
[dechin@dechin-manjaro yield]$ python3 yield_square_sum.py
Time cost is: 0.23023390769958496s
yield_square_sum.py:9: size=136 B, count=1, average=136 B
yield_square_sum.py:14: size=112 B, count=1, average=112 B
yield_square_sum.py:11: size=79 B, count=2, average=40 B
yield_square_sum.py:10: size=76 B, count=2, average=38 B
yield_square_sum.py:15: size=28 B, count=1, average=28 B
經過比較我們發現，兩種方法的計算時間是幾乎差不多的，但是在內存占用上yield有著明顯的優勢。當然，也許這個例子并不是非常的恰當，但是本文主要還是介紹yield的使用方法及其應用場景。
無限長迭代器
在參考鏈接1中提到了一種用法是無限長的迭代器，比如按順序返回所有的素數，那么此時我們如果用return來返回所有的元素并存儲到一個列表里面，就是一個非常不經濟的辦法，所以可以使用yield來迭代生成，參考鏈接1中的源代碼如下所示：
def get_primes(number):
while True:
if is_prime(number):
yield number
number += 1
那么類似的，這里我們用while True可以展示一個簡單的案例——返回所有的偶數：
# yield_iter.py
def yield_range2(i):
while True:
yield i
i += 2
iter = yield_range2(0)
for i in range(10):
print (next(iter))
因為這里我們限制了長度是10,所以最終會返回10個偶數：
[dechin@dechin-manjaro yield]$ python3 yield_iter.py
總結概要
本文介紹了python的迭代器yield，其實關于yield，我們可以簡單的將其理解為單個元素的return。這樣不僅就初步理解了yield的使用語法，也能夠大概了解到yield的優勢，也就是在計算過程中每次只占用一個元素的內存，而不需要一直存儲大量的元素在內存中。
到此這篇關于python3使用迭代生成器實現減少內存占用的文章就介紹到這了,更多相關python3實現減少內存占用內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- Python使用__new__()方法為對象分配內存及返回對象的引用示例
- 關于Python內存分配時的小秘密分享
- python內存動態分配過程詳解
- 用python監控服務器的cpu,磁盤空間,內存,超過郵件報警
- Python 內存管理機制全面分析
- 總結python 三種常見的內存泄漏場景
- Python numpy大矩陣運算內存不足如何解決
- Python獲取android設備cpu和內存占用情況
- python和C++共享內存傳輸圖像的示例
- Python內存泄漏和內存溢出的解決方案
- 詳解python的內存分配機制
