¿Qué hace la palabra clave" yield"?
¿Cuál es el uso de la palabra clave yield
en Python? ¿Qué hace?
Por ejemplo, estoy tratando de entender este código1:
def _get_child_candidates(self, distance, min_dist, max_dist):
if self._leftchild and distance - max_dist < self._median:
yield self._leftchild
if self._rightchild and distance + max_dist >= self._median:
yield self._rightchild
Y este es el que llama:
result, candidates = [], [self]
while candidates:
node = candidates.pop()
distance = node._get_dist(obj)
if distance <= max_dist and distance >= min_dist:
result.extend(node._values)
candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))
return result
¿Qué sucede cuando se llama al método _get_child_candidates
?
¿Se devuelve una lista? Un solo elemento? ¿Se llama de nuevo? ¿Cuándo cesarán las llamadas posteriores?
1. El código proviene de Jochen Schulz (jrschulz), quien creó una gran biblioteca de Python para espacios métricos. Este es el enlace a la fuente completa: Módulo mspace .
30 answers
Para entender lo que hace yield
, debes entender lo que son los generadores. Y antes de los generadores vienen iterables .
Iterables
Cuando crea una lista, puede leer sus elementos uno por uno. La lectura de sus elementos uno por uno se llama iteración:
>>> mylist = [1, 2, 3]
>>> for i in mylist:
... print(i)
1
2
3
mylist
es un iterable. Cuando se utiliza una comprensión de lista, se crea una lista, y por lo tanto un iterable:
>>> mylist = [x*x for x in range(3)]
>>> for i in mylist:
... print(i)
0
1
4
Todo lo que puedes usar" for... in...
" es un iterable; lists
, strings
, archivos...
Estos iterables son útiles porque puede leerlos tanto como desee, pero almacena todos los valores en la memoria y esto no siempre es lo que desea cuando tiene muchos valores.
Generadores
Los generadores son iteradores, una especie de iterable que solo se puede iterar una vez. Los generadores no almacenan todos los valores en memoria, generan los valores sobre la marcha :
>>> mygenerator = (x*x for x in range(3))
>>> for i in mygenerator:
... print(i)
0
1
4
Es lo mismo excepto que usaste {[14]]} en lugar de []
. PERO, no puedes realizar for i in mygenerator
una segunda vez ya que los generadores solo se pueden usar una vez: calculan 0, luego se olvidan y calculan 1, y terminan calculando 4, uno por uno.
Yield
yield
es una palabra clave que se usa como return
, excepto que la función devolverá un generador.
>>> def createGenerator():
... mylist = range(3)
... for i in mylist:
... yield i*i
...
>>> mygenerator = createGenerator() # create a generator
>>> print(mygenerator) # mygenerator is an object!
<generator object createGenerator at 0xb7555c34>
>>> for i in mygenerator:
... print(i)
0
1
4
Aquí es un ejemplo inútil, pero es útil cuando sabes que tu función devolverá un gran conjunto de valores que solo necesitarás leer una vez.
Para dominar yield
, debe entender que cuando llama a la función, el código que ha escrito en el cuerpo de la función no se ejecuta. La función solo devuelve el objeto generador, esto es un poco complicado: -)
Entonces, su código se ejecutará cada vez que el for
utilice el generador.
Ahora la parte difícil:
La primera vez que el for
llama al objeto generador creado desde su función, ejecutará el código en su función desde comenzando hasta que llegue yield
, entonces devolverá el primer valor del bucle. Luego, cada llamada ejecutará el bucle que ha escrito en la función una vez más, y devolverá el siguiente valor, hasta que no haya valor para devolver.
El generador se considera vacío una vez que se ejecuta la función, pero ya no golpea yield
. Puede ser porque el bucle había llegado a su fin, o porque ya no satisfaces un "if/else"
.
Su código explained
Generador:
# Here you create the method of the node object that will return the generator
def _get_child_candidates(self, distance, min_dist, max_dist):
# Here is the code that will be called each time you use the generator object:
# If there is still a child of the node object on its left
# AND if distance is ok, return the next child
if self._leftchild and distance - max_dist < self._median:
yield self._leftchild
# If there is still a child of the node object on its right
# AND if distance is ok, return the next child
if self._rightchild and distance + max_dist >= self._median:
yield self._rightchild
# If the function arrives here, the generator will be considered empty
# there is no more than two values: the left and the right children
Persona que llama:
# Create an empty list and a list with the current object reference
result, candidates = list(), [self]
# Loop on candidates (they contain only one element at the beginning)
while candidates:
# Get the last candidate and remove it from the list
node = candidates.pop()
# Get the distance between obj and the candidate
distance = node._get_dist(obj)
# If distance is ok, then you can fill the result
if distance <= max_dist and distance >= min_dist:
result.extend(node._values)
# Add the children of the candidate in the candidates list
# so the loop will keep running until it will have looked
# at all the children of the children of the children, etc. of the candidate
candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))
return result
Este código contiene varias partes inteligentes:
El bucle itera en una lista, pero la lista se expande mientras se itera el bucle: -) Es una forma concisa de ir a través de todos estos datos anidados, incluso si es un poco peligroso, ya que puede terminar con un bucle infinito. En este caso,
candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))
agota todos los valores del generador, perowhile
sigue creando nuevos objetos del generador que producirán valores diferentes a los anteriores ya que no se aplica en el mismo nodo.El método
extend()
es un método de objeto list que espera un iterable y agrega sus valores a la lista.
Normalmente le pasamos una lista: {[40]]}
>>> a = [1, 2]
>>> b = [3, 4]
>>> a.extend(b)
>>> print(a)
[1, 2, 3, 4]
Pero en su código obtiene un generador, lo cual es bueno porque:
- No es necesario leer los valores dos veces.
- Usted puede tener muchos hijos y no quiere que todos ellos almacenados en memoria.
Y funciona porque a Python no le importa si el argumento de un método es una lista o no. Python espera iterables por lo que funcionará con cadenas, listas, tuplas y generadores! Esto se llama duck typing y es una de las razones por las que Python es tan genial. Pero esta es otra historia para otra pregunta...
Puede detenerse aquí, o leer un poco para ver un uso avanzado de un generador:
Controlando un generador agotamiento
>>> class Bank(): # Let's create a bank, building ATMs
... crisis = False
... def create_atm(self):
... while not self.crisis:
... yield "$100"
>>> hsbc = Bank() # When everything's ok the ATM gives you as much as you want
>>> corner_street_atm = hsbc.create_atm()
>>> print(corner_street_atm.next())
$100
>>> print(corner_street_atm.next())
$100
>>> print([corner_street_atm.next() for cash in range(5)])
['$100', '$100', '$100', '$100', '$100']
>>> hsbc.crisis = True # Crisis is coming, no more money!
>>> print(corner_street_atm.next())
<type 'exceptions.StopIteration'>
>>> wall_street_atm = hsbc.create_atm() # It's even true for new ATMs
>>> print(wall_street_atm.next())
<type 'exceptions.StopIteration'>
>>> hsbc.crisis = False # The trouble is, even post-crisis the ATM remains empty
>>> print(corner_street_atm.next())
<type 'exceptions.StopIteration'>
>>> brand_new_atm = hsbc.create_atm() # Build a new one to get back in business
>>> for cash in brand_new_atm:
... print cash
$100
$100
$100
$100
$100
$100
$100
$100
$100
...
Nota: Para Python 3, use print(corner_street_atm.__next__())
o print(next(corner_street_atm))
Puede ser útil para varias cosas como controlar el acceso a un recurso.
Itertools, tu mejor amigo
El módulo itertools contiene funciones especiales para manipular iterables. ¿Alguna vez has querido duplicar un generador?
¿Encadenar dos generadores? ¿Agrupar valores en una lista anidada con una sola línea? Map / Zip
sin crear otra lista?
Entonces solo import itertools
.
Un ejemplo? Veamos las posibles órdenes de llegada para una carrera de cuatro caballos:
>>> horses = [1, 2, 3, 4]
>>> races = itertools.permutations(horses)
>>> print(races)
<itertools.permutations object at 0xb754f1dc>
>>> print(list(itertools.permutations(horses)))
[(1, 2, 3, 4),
(1, 2, 4, 3),
(1, 3, 2, 4),
(1, 3, 4, 2),
(1, 4, 2, 3),
(1, 4, 3, 2),
(2, 1, 3, 4),
(2, 1, 4, 3),
(2, 3, 1, 4),
(2, 3, 4, 1),
(2, 4, 1, 3),
(2, 4, 3, 1),
(3, 1, 2, 4),
(3, 1, 4, 2),
(3, 2, 1, 4),
(3, 2, 4, 1),
(3, 4, 1, 2),
(3, 4, 2, 1),
(4, 1, 2, 3),
(4, 1, 3, 2),
(4, 2, 1, 3),
(4, 2, 3, 1),
(4, 3, 1, 2),
(4, 3, 2, 1)]
Comprender los mecanismos internos de la iteración{[42]]}
La iteración es un proceso que implica iterables (implementando el método __iter__()
) e iteradores (implementando el método __next__()
).
Los iterables son cualquier objeto del que pueda obtener un iterador. Los iteradores son objetos que te permiten iterar en iterables.
Hay más sobre esto en este artículo sobre cómo funcionan los bucles for
.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-05-20 09:49:28
Acceso directo a Grokking yield
Cuando vea una función con instrucciones yield
, aplique este truco fácil para entender lo que sucederá:
- Inserte una línea
result = []
al inicio de la función. - Sustitúyase cada
yield expr
porresult.append(expr)
. - Inserte una línea
return result
en la parte inferior de la función. - Yay - no más
yield
declaraciones! Leer y descifrar el código. - Compare la función con la definición original.
Este truco puede darle una idea de la lógica detrás de la función, pero lo que realmente sucede con yield
es significativamente diferente de lo que sucede en el enfoque basado en listas. En muchos casos, el enfoque de rendimiento será mucho más eficiente en memoria y también más rápido. En otros casos, este truco te atrapará en un bucle infinito, a pesar de que la función original funciona bien. Siga leyendo para obtener más información...
No confunda sus Iterables, Iteradores y Generadores
Primero, el iterador protocolo - cuando escribes
for x in mylist:
...loop body...
Python realiza los siguientes dos pasos:
-
Obtiene un iterador para
mylist
:Call
iter(mylist)
- > esto devuelve un objeto con un métodonext()
(o__next__()
en Python 3).[Este es el paso que la mayoría de la gente olvida decirte]
-
Utiliza el iterador para hacer un bucle sobre los elementos:
Siga llamando al método
next()
en el iterador devuelto desde el paso 1. El valor devuelto desdenext()
es asignado ax
y se ejecuta el cuerpo del bucle. Si se genera una excepciónStopIteration
desdenext()
, significa que no hay más valores en el iterador y se sale del bucle.
La verdad es que Python realiza los dos pasos anteriores cada vez que quiere hacer un bucle sobre el contenido de un objeto, por lo que podría ser un bucle for, pero también podría ser código como otherlist.extend(mylist)
(donde otherlist
es una lista de Python).
Aquí mylist
es un iterable porque implementa el protocolo iterador. En una clase definida por el usuario, puede implementar el método __iter__()
para hacer iterables las instancias de su clase. Este método debe devolver un iterador . Un iterador es un objeto con un método next()
. Es posible implementar __iter__()
y next()
en la misma clase, y tener __iter__()
return self
. Esto funcionará para casos simples, pero no cuando desee dos iteradores en bucle sobre el mismo objeto al mismo tiempo.
Así que ese es el protocolo iterador, muchos objetos aplicar el presente protocolo:
- Listas integradas, diccionarios, tuplas, conjuntos, archivos.
- Clases definidas por el usuario que implementan
__iter__()
. - Generadores.
Tenga en cuenta que un bucle for
no sabe con qué tipo de objeto está tratando - simplemente sigue el protocolo iterador, y está feliz de obtener elemento tras elemento mientras llama next()
. Las listas integradas devuelven sus elementos uno por uno, los diccionarios devuelven las claves una por una, los archivos devuelven líneas una por una, etc. Y los generadores vuelven... bueno, ahí es donde entra yield
:
def f123():
yield 1
yield 2
yield 3
for item in f123():
print item
En lugar de las sentencias yield
, si tuviera tres sentencias return
en f123()
solo la primera se ejecutaría, y la función saldría. Pero f123()
no es una función ordinaria. Cuando se llama f123()
, no devuelve ninguno de los valores en las declaraciones de rendimiento! Devuelve un objeto generador. Además, la función realmente no sale - entra en un estado suspendido. Cuando el for
loop intenta hacer un bucle sobre el objeto generador, la función se reanuda desde su estado suspendido en la línea siguiente después de la yield
de la que anteriormente regresó, ejecuta la siguiente línea de código, en este caso una instrucción yield
, y devuelve eso como el siguiente elemento. Esto sucede hasta que la función sale, momento en el que el generador levanta StopIteration
, y el bucle sale.
Así que el objeto generador es una especie de adaptador - en un extremo exhibe el protocolo iterador, exponiendo __iter__()
y next()
métodos para mantener el bucle for
feliz. En el otro extremo, sin embargo, ejecuta la función lo suficiente para obtener el siguiente valor de ella, y la vuelve a poner en modo suspendido.
¿Por Qué Usar Generadores?
Normalmente se puede escribir código que no utilice generadores sino que implemente la misma lógica. Una opción es usar el 'truco' de la lista temporal que mencioné antes. Eso no funcionará en todos los casos, por ejemplo, si tiene bucles infinitos, o puede hacer un uso ineficiente de la memoria cuando tienes una lista muy larga. El otro enfoque es implementar una nueva clase iterable SomethingIter
que mantiene el estado en los miembros de la instancia y realiza el siguiente paso lógico en su método next()
(o __next__()
en Python 3). Dependiendo de la lógica, el código dentro del método next()
puede terminar pareciendo muy complejo y ser propenso a errores. Aquí los generadores proporcionan una solución limpia y fácil.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2016-08-15 21:29:29
Piénsalo de esta manera:
Un iterador es solo un término que suena elegante para un objeto que tiene un método next (). Así que una función yield-ed termina siendo algo como esto:
Versión original:
def some_function():
for i in xrange(4):
yield i
for i in some_function():
print i
Esto es básicamente lo que hace el intérprete de Python con el código anterior:
class it:
def __init__(self):
# Start at -1 so that we get 0 when we add 1 below.
self.count = -1
# The __iter__ method will be called once by the 'for' loop.
# The rest of the magic happens on the object returned by this method.
# In this case it is the object itself.
def __iter__(self):
return self
# The next method will be called repeatedly by the 'for' loop
# until it raises StopIteration.
def next(self):
self.count += 1
if self.count < 4:
return self.count
else:
# A StopIteration exception is raised
# to signal that the iterator is done.
# This is caught implicitly by the 'for' loop.
raise StopIteration
def some_func():
return it()
for i in some_func():
print i
Para obtener más información sobre lo que está sucediendo detrás de escena, el bucle for
se puede reescribir a esto:
iterator = some_func()
try:
while 1:
print iterator.next()
except StopIteration:
pass
¿Eso tiene más sentido o simplemente te confunde más? :)
Debo señalar que esto es una simplificación excesiva con fines ilustrativos. :)
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-05-20 10:02:17
La palabra clave yield
se reduce a dos hechos simples:
- Si el compilador detecta la palabra clave
yield
en cualquier lugar dentro de una función, esa función ya no regresa a través de la instrucciónreturn
. En su lugar, it immediately returns a lazy "pending list" object called a generator - Un generador es iterable. ¿Qué es un iterable? Es algo así como un
list
oset
orange
o dict-view, con un incorporado protocolo para visitar cada elemento en un orden determinado.
En pocas palabras: un generador es una lista perezosa, pendiente de incremento, y yield
las instrucciones le permiten usar la notación de función para programar los valores de lista que el generador debe escupir de forma incremental.
generator = myYieldingFunction(...)
x = list(generator)
generator
v
[x[0], ..., ???]
generator
v
[x[0], x[1], ..., ???]
generator
v
[x[0], x[1], x[2], ..., ???]
StopIteration exception
[x[0], x[1], x[2]] done
list==[x[0], x[1], x[2]]
Ejemplo
Definamos una función makeRange
que es igual a la de Python range
. Llamando A makeRange(n)
DEVUELVE Un GENERADOR:
def makeRange(n):
# return 0,1,2,...,n-1
i = 0
while i < n:
yield i
i += 1
>>> makeRange(5)
<generator object makeRange at 0x19e4aa0>
Para forzar el generador a devuelva inmediatamente sus valores pendientes, puede pasarlo a list()
(al igual que podría hacerlo con cualquier iterable):
>>> list(makeRange(5))
[0, 1, 2, 3, 4]
Comparando el ejemplo con"simplemente devolviendo una lista"
El ejemplo anterior se puede considerar como simplemente crear una lista a la que se agrega y devuelve:{[34]]}
# list-version # # generator-version
def makeRange(n): # def makeRange(n):
"""return [0,1,2,...,n-1]""" #~ """return 0,1,2,...,n-1"""
TO_RETURN = [] #>
i = 0 # i = 0
while i < n: # while i < n:
TO_RETURN += [i] #~ yield i
i += 1 # i += 1 ## indented
return TO_RETURN #>
>>> makeRange(5)
[0, 1, 2, 3, 4]
Hay una diferencia importante, sin embargo; ver la última sección.
Cómo podría usar los generadores
Un iterable es la última parte de una comprensión de lista, y todos los generadores son iterables, por lo que a menudo se usan así:
# _ITERABLE_
>>> [x+10 for x in makeRange(5)]
[10, 11, 12, 13, 14]
Para tener una mejor idea de los generadores, puede jugar con el módulo itertools
(asegúrese de usar chain.from_iterable
en lugar de chain
cuando esté justificado). Por ejemplo, incluso puede usar generadores para implementar listas perezosas infinitamente largas como itertools.count()
. Puedes implementar tu propio def enumerate(iterable): zip(count(), iterable)
, o alternativamente hacerlo con la palabra clave yield
en un bucle while.
Tenga en cuenta: los generadores en realidad se pueden usar para muchas más cosas, como implementando corrutinas o programación no determinista u otras cosas elegantes. Sin embargo, el punto de vista de "listas perezosas" que presento aquí es el uso más común que encontrará.
Detrás de escena
Así es como funciona el "protocolo de iteración de Python". Es decir, lo que está pasando cuando lo haces list(makeRange(5))
. Esto es lo que describo anteriormente como una "lista perezosa e incremental".
>>> x=iter(range(5))
>>> next(x)
0
>>> next(x)
1
>>> next(x)
2
>>> next(x)
3
>>> next(x)
4
>>> next(x)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration
La función incorporada next()
solo llama a la función objects .next()
, que es una parte del "protocolo de iteración" y se encuentra en todos los iteradores. Puede usar manualmente la función next()
(y otras partes del protocolo de iteración) para implementar cosas elegantes, generalmente a expensas de la legibilidad, así que trate de evitar hacerlo...
Minucias
Normalmente, a la mayoría de las personas no les importarían las siguientes distinciones y probablemente quieran dejar de leer aquí.
En lenguaje Python, un iterable es cualquier objeto que " entiende el concepto de for-loop " como una lista [1,2,3]
, y un iterador es una instancia específica del bucle for solicitado como [1,2,3].__iter__()
. Un generador es exactamente el mismo que cualquier iterador, excepto por la forma en que fue escrito (con sintaxis de función).
Cuando se solicita un iterador de una lista, se crea un nuevo iterador. Sin embargo, cuando solicita un iterador de un iterador (lo que rara vez haría), solo le da una copia de sí mismo.
Por lo tanto, en el improbable caso de que no hacer algo como esto...
> x = myRange(5)
> list(x)
[0, 1, 2, 3, 4]
> list(x)
[]
... entonces recuerde que un generador es un iterador ; es decir, es de un solo uso. Si desea reutilizarlo, debe llamar a myRange(...)
de nuevo. Si necesita usar el resultado dos veces, convierta el resultado en una lista y guárdelo en una variable x = list(myRange(5))
. Aquellos que absolutamente necesitan clonar un generador (por ejemplo, que están haciendo metaprogramación aterradoramente hackish) pueden utilizar itertools.tee
si es absolutamente necesario, ya que el iterador copiable La propuesta de estándares Python PEP ha sido diferida.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2017-03-19 08:07:35
¿Qué hace la palabra clave
yield
en Python?
Esquema/Resumen de la respuesta
- Una función con
yield
, cuando se llama, devuelve una Generador. - Los generadores son iteradores porque implementan protocolo iterador, así que usted puede iterar sobre ellos.
- Un generador también puede ser información enviada , por lo que es conceptualmente un corrutina .
- En Python 3, puedes delegar de un generador a otro en ambas direcciones con
yield from
. - (El apéndice critica un par de respuestas, incluyendo la primera, y discute el uso de
return
en un generador.)
Generadores:
yield
es solo legal dentro de una definición de función, y la inclusión de yield
en una definición de función hace que devuelva un generador.
El idea for generators proviene de otros lenguajes (ver nota 1) con diferentes implementaciones. En los generadores de Python, la ejecución del código está congelada en el punto del rendimiento. Cuando se llama al generador (los métodos se discuten a continuación), la ejecución se reanuda y luego se congela en el siguiente rendimiento.
yield
proporciona un
forma fácil de implementar el protocolo iterador , definido por los siguientes dos métodos:
__iter__
y next
(Python 2) o __next__
(Python 3). Ambos de esos métodos
convierte un objeto en un iterador que podrías escribir-comprueba con la Base Abstracta Iterator
Clase del módulo collections
.
>>> def func():
... yield 'I am'
... yield 'a generator!'
...
>>> type(func) # A function with yield is still a function
<type 'function'>
>>> gen = func()
>>> type(gen) # but it returns a generator
<type 'generator'>
>>> hasattr(gen, '__iter__') # that's an iterable
True
>>> hasattr(gen, 'next') # and with .next (.__next__ in Python 3)
True # implements the iterator protocol.
El tipo de generador es un subtipo de iterador:
>>> import collections, types
>>> issubclass(types.GeneratorType, collections.Iterator)
True
Y si es necesario, podemos escribir-check así:
>>> isinstance(gen, types.GeneratorType)
True
>>> isinstance(gen, collections.Iterator)
True
Una característica de un Iterator
es que una vez agotado , no se puede reutilizar o restablecer:
>>> list(gen)
['I am', 'a generator!']
>>> list(gen)
[]
Tendrás que hacer otro si quieres usar su funcionalidad de nuevo (ver nota al pie 2):
>>> list(func())
['I am', 'a generator!']
Uno puede producir datos programáticamente, por ejemplo:
def func(an_iterable):
for item in an_iterable:
yield item
El generador simple anterior también es equivalente al siguiente: a partir de Python 3.3 (y no disponible en Python 2), puede usar yield from
:
def func(an_iterable):
yield from an_iterable
Sin embargo, yield from
también permite la delegación a subgeneradores,
que se explicará en la siguiente sección sobre la delegación cooperativa con subcoroutinas.
Corrutinas:
yield
forma una expresión que permite datos para enviar al generador (véase la nota 3)
Aquí hay un ejemplo, tome nota de la variable received
, que apuntará a los datos que se envían al generador:
def bank_account(deposited, interest_rate):
while True:
calculated_interest = interest_rate * deposited
received = yield calculated_interest
if received:
deposited += received
>>> my_account = bank_account(1000, .05)
Primero, debemos poner en cola el generador con la función builtin, next
. Lo hará
llame al método next
o __next__
apropiado, dependiendo de la versión de
Python que está utilizando:
>>> first_year_interest = next(my_account)
>>> first_year_interest
50.0
Y ahora podemos enviar datos al generador. (Enviar None
es
lo mismo que llamar next
.) :
>>> next_year_interest = my_account.send(first_year_interest + 1000)
>>> next_year_interest
102.5
Delegación cooperativa a Subcoroutina con yield from
Ahora, recordemos que yield from
está disponible en Python 3. Esto nos permite delegar
corrutinas a una subcorutina:
def money_manager(expected_rate):
under_management = yield # must receive deposited value
while True:
try:
additional_investment = yield expected_rate * under_management
if additional_investment:
under_management += additional_investment
except GeneratorExit:
'''TODO: write function to send unclaimed funds to state'''
finally:
'''TODO: write function to mail tax info to client'''
def investment_account(deposited, manager):
'''very simple model of an investment account that delegates to a manager'''
next(manager) # must queue up manager
manager.send(deposited)
while True:
try:
yield from manager
except GeneratorExit:
return manager.close()
Y ahora podemos delegar funcionalidad a un sub-generador y se puede utilizar por un generador como arriba:
>>> my_manager = money_manager(.06)
>>> my_account = investment_account(1000, my_manager)
>>> first_year_return = next(my_account)
>>> first_year_return
60.0
>>> next_year_return = my_account.send(first_year_return + 1000)
>>> next_year_return
123.6
Puedes leer más sobre la semántica precisa de yield from
en PEP 380.
Otros métodos: cerrar y throw
El método close
plantea GeneratorExit
en el punto de la función
la ejecución fue congelada. Esto también será llamado por __del__
por lo que usted
puede poner cualquier código de limpieza donde maneje el GeneratorExit
:
>>> my_account.close()
También puede lanzar una excepción que se puede manejar en el generador o propagado de nuevo al usuario:
>>> import sys
>>> try:
... raise ValueError
... except:
... my_manager.throw(*sys.exc_info())
...
Traceback (most recent call last):
File "<stdin>", line 4, in <module>
File "<stdin>", line 2, in <module>
ValueError
Conclusión
Creo que he cubierto todos los aspectos de la siguiente pregunta:
¿Qué hace la palabra clave
yield
en Python?
Resulta que yield
hace mucho. Estoy seguro de que podría añadir aún más
ejemplos exhaustivos de esto. Si quieres más o tienes alguna crítica constructiva, házmelo saber comentando
debajo.
Apéndice:
Crítica de la Respuesta Superior / Aceptada * *
- Se confunde en lo que hace un iterable, solo usando una lista como ejemplo. Ver mis referencias anteriores, pero en resumen: un iterable tiene un método
__iter__
que devuelve un iterador. Un iterador proporciona un método.next
(Python 2 o.__next__
(Python 3), que es llamado implícitamente por buclesfor
hasta que levantaStopIteration
, y una vez que lo hace, continuará haciéndolo. - Luego usa una expresión generator para describir lo que es un generador. Dado que un generador es simplemente una forma conveniente de crear un iterador , solo confunde el asunto, y todavía no hemos llegado a la parte
yield
. - En Controlando una agotamiento del generador llama al método
.next
, cuando en su lugar debe usar la función builtin,next
. Sería una capa de indirección apropiada, porque su código no funciona en Python 3. - Itertools? Esto no era relevante para lo que
yield
hace en absoluto. - No hay discusión sobre los métodos que
yield
proporciona junto con la nueva funcionalidadyield from
en Python 3. La respuesta top/accepted es una respuesta muy incompleta.
Crítica de la respuesta sugiriendo yield
en una expresión generadora o comprensión.
La gramática actualmente permite la comprensión de cualquier expresión en una lista.
expr_stmt: testlist_star_expr (annassign | augassign (yield_expr|testlist) |
('=' (yield_expr|testlist_star_expr))*)
...
yield_expr: 'yield' [yield_arg]
yield_arg: 'from' test | testlist
Dado que yield es una expresión, algunos han promocionado como interesante usarlo en comprensiones o expresiones generadoras, a pesar de no citar ningún caso de uso particularmente bueno.
Los desarrolladores del núcleo de CPython están discutiendo desaprobar su asignación. Aquí hay una publicación relevante del correo lista:
El 30 de enero de 2017 a las 19:05, Brett Cannon escribió:
El domingo, 29 de enero de 2017 a las 16:39 Craig Rodrigues escribió:
Estoy bien con cualquier enfoque. Dejando las cosas como están en Python 3 no es bueno, en MI humilde opinión.
Mi voto es que sea un error sintáctico ya que no estás obteniendo lo que esperas de sintaxis.
Estoy de acuerdo en que es un lugar sensato para que terminemos, ya que cualquier código confiar en el comportamiento actual es realmente demasiado inteligente para ser mantenible.
En términos de llegar allí, es probable que queramos:
Salud, Nick.
- Advertencia de sintaxis o advertencia en desuso en 3.7
- Advertencia de Py3k en 2.7.x
- Error sintáctico en 3.8
Nick Nick Coghlan / ncoghlan at gmail.com Brisbane, Australia
Además, hay una cuestión pendiente (10544) que parece estar apuntando en la dirección de que esto nunca sea una buena idea (PyPy, una implementación de Python escrita en Python, ya está generando advertencias de sintaxis.)
En pocas palabras, hasta que los desarrolladores de CPython nos digan lo contrario: No pongas yield
en una expresión o comprensión generadora.
La instrucción return
en un generador
En Python 2:
En una función generator, la instrucción
return
no puede incluya unexpression_list
. En ese contexto, unreturn
desnudo indica que el generador está hecho y hará queStopIteration
se eleve.
Un expression_list
es básicamente cualquier número de expresiones separadas por comas - esencialmente, en Python 2, puede detener el generador con return
, pero no puede devolver un valor.
En Python 3:
En una función generator, la instrucción
return
indica que el generador está hecho y hará queStopIteration
se eleve. El el valor devuelto (si lo hay) se usa como argumento para construirStopIteration
y se convierte en el atributoStopIteration.value
.
Notas al pie
Los idiomas CLU, Sather e Icon fueron referenciados en la propuesta introducir el concepto de generadores a Python. La idea general es que una función puede mantener el estado interno y el rendimiento intermedio puntos de datos a petición del usuario. Esto prometía ser superior en rendimiento a otros enfoques, incluyendo Python threading , que ni siquiera está disponible en algunos sistemas.
Esto significa, por ejemplo, que los objetos
xrange
(range
en Python 3) no sonIterator
s, aunque sean iterables, porque pueden ser reutilizados. Al igual que las listas, sus métodos__iter__
devuelven objetos iteradores.yield
se introdujo originalmente como una declaración, lo que significa que solo puede aparecer al principio de una línea en un bloque de código. Ahorayield
crea un rendimiento expresion. https://docs.python.org/2/reference/simple_stmts.html#grammar-token-yield_stmt Este cambio se propuso para permitir que un usuario envíe datos al generador tal como uno podría recibirlo. Para enviar datos, uno debe ser capaz de asignarlos a algo, y para eso, una declaración simplemente no funcionará.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2017-12-06 20:20:40
yield
es igual que return
- devuelve lo que le digas (como un generador). La diferencia es que la próxima vez que llame al generador, la ejecución comienza desde la última llamada hasta la instrucción yield
. A diferencia de return, el marco de pila no se limpia cuando se produce un yield, sin embargo, el control se transfiere de nuevo al llamador, por lo que su estado se reanudará la próxima vez que la función.
En el caso de su código, la función get_child_candidates
está actuando como un iterador de modo que cuando se extiende su lista, agrega un elemento a la vez a la nueva lista.
list.extend
llama a un iterador hasta que se agote. En el caso de la muestra de código que publicaste, sería mucho más claro devolver una tupla y agregarla a la lista.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-05-20 09:57:33
Hay una cosa extra que mencionar: una función que rinde no tiene que terminar. He escrito código como este:
def fib():
last, cur = 0, 1
while True:
yield cur
last, cur = cur, last + cur
Entonces puedo usarlo en otro código como este:
for f in fib():
if some_condition: break
coolfuncs(f);
Realmente ayuda a simplificar algunos problemas, y hace que algunas cosas sean más fáciles de trabajar.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2013-04-21 15:42:14
Para aquellos que prefieren un ejemplo de trabajo mínimo, medita en esta sesión interactiva Python:
>>> def f():
... yield 1
... yield 2
... yield 3
...
>>> g = f()
>>> for i in g:
... print i
...
1
2
3
>>> for i in g:
... print i
...
>>> # Note that this time nothing was printed
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2013-01-25 19:19:12
Yield te da un generador.
def get_odd_numbers(i):
return range(1, i, 2)
def yield_odd_numbers(i):
for x in range(1, i, 2):
yield x
foo = get_odd_numbers(10)
bar = yield_odd_numbers(10)
foo
[1, 3, 5, 7, 9]
bar
<generator object yield_odd_numbers at 0x1029c6f50>
bar.next()
1
bar.next()
3
bar.next()
5
Como puede ver, en el primer caso foo mantiene toda la lista en memoria a la vez. No es un gran problema para una lista con 5 elementos, pero ¿qué pasa si quieres una lista de 5 millones? No solo es un gran devorador de memoria, sino que también cuesta mucho tiempo construir en el momento en que se llama a la función. En el segundo caso, bar solo le da un generador. Un generador es un iterable which lo que significa que puede usarlo en un bucle for, etc, pero cada valor solo puede ser accedido una vez. Todos los valores tampoco se almacenan en la memoria al mismo tiempo; el objeto generador "recuerda" dónde estaba en el bucle la última vez que lo llamó this de esta manera, si está utilizando un iterable para (digamos) contar hasta 50 mil millones, no tiene que contar hasta 50 mil millones de una vez y almacenar los números de 50 mil millones para contar. De nuevo, este es un ejemplo bastante artificial, probablemente usarías itertools si realmente quisieras contar hasta 50 mil millones. :)
Este es el más simple caso de uso de generadores. Como dijiste, se puede usar para escribir permutaciones eficientes, usando yield para empujar cosas hacia arriba a través de la pila de llamadas en lugar de usar algún tipo de variable de pila. Los generadores también se pueden usar para el recorrido especializado de árboles y todo tipo de otras cosas.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2013-01-16 06:42:09
Está devolviendo un generador. No estoy particularmente familiarizado con Python, pero creo que es el mismo tipo de cosa que bloques iteradores de C# si estás familiarizado con ellos.
Hay un artículo de IBM que lo explica razonablemente bien (para Python) por lo que puedo ver.
La idea clave es que el compilador / intérprete / lo que sea haga algún truco para que en lo que respecta al llamador, pueda seguir llamando a next () y siga devolviendo valores - como si el método generador se ha pausado. Ahora obviamente no puedes realmente "pausar" un método, por lo que el compilador construye una máquina de estados para que recuerdes dónde estás actualmente y cómo se ven las variables locales, etc. Esto es mucho más fácil que escribir un iterador tú mismo.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2008-10-23 22:26:06
TL; DR
En lugar de esto:
def squares_list(n):
the_list = [] # Replace
for x in range(n):
y = x * x
the_list.append(y) # these
return the_list # lines
Haz esto:
def squares_the_yield_way(n):
for x in range(n):
y = x * x
yield y # with this one.
Cada vez que te encuentres construyendo una lista desde cero, yield
cada pieza en su lugar.
Este fue mi primer momento de "aha" con yield.
yield
es una forma azucarada de decir
Construir una serie de cosas
El mismo comportamiento:
>>> for square in squares_list(4):
... print(square)
...
0
1
4
9
>>> for square in squares_the_yield_way(4):
... print(square)
...
0
1
4
9
Comportamiento diferente:
Yield es single-pass: solo se puede iterar una vez. Cuando una función tiene un rendimiento en ella lo llamamos una función generadora . Y un iterador es lo que devuelve. Eso es revelador. Perdemos la comodidad de un contenedor, pero ganamos el poder de una serie arbitrariamente larga.
El rendimiento es perezoso, pospone el cálculo. Una función con un yield en ella no se ejecuta realmente en absoluto cuando la llamas. El objeto iterador que devuelve usa magic para mantener el contexto interno de la función. Cada el tiempo que se llama a next()
en el iterador (esto sucede en un bucle for) avanza pulgadas hacia el siguiente rendimiento. (return
sube StopIteration
y termina la serie.)
El rendimiento es versátil. Puede hacer bucles infinitos:
>>> def squares_all_of_them():
... x = 0
... while True:
... yield x * x
... x += 1
...
>>> squares = squares_all_of_them()
>>> for _ in range(4):
... print(next(squares))
...
0
1
4
9
Si necesita múltiples pases y la serie no es demasiado larga, simplemente llame a list()
en ella:
>>> list(squares_the_yield_way(4))
[0, 1, 4, 9]
Brillante elección de la palabra yield
porque ambos significados se aplican: {[15]]}
Rendimiento - producir o proporcionar (como en la agricultura)
...proporcione los siguientes datos de la serie.
Ceder - ceder o renunciar (como en el poder político)
...renunciar a la ejecución de la CPU hasta que el iterador avance.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-09-07 17:15:54
Hay un tipo de respuesta que no siento que se haya dado todavía, entre las muchas grandes respuestas que describen cómo usar los generadores. Aquí está la respuesta de la teoría del lenguaje de programación:
La instrucción yield
en Python devuelve un generador. Un generador en Python es una función que devuelve continuaciones (y específicamente un tipo de corrutina, pero las continuaciones representan el mecanismo más general para entender lo que está sucediendo).
Continuaciones en la programación la teoría de los lenguajes es un tipo de computación mucho más fundamental, pero no se usan a menudo, porque son extremadamente difíciles de razonar y también muy difíciles de implementar. Pero la idea de lo que es una continuación, es sencilla: es el estado de un cálculo que aún no ha terminado. En este estado, se guardan los valores actuales de las variables, las operaciones que aún no se han realizado, etc. Luego, en algún momento posterior del programa, se puede invocar la continuación, tal que las variables del programa se restablezcan a ese estado y se lleven a cabo las operaciones que se guardaron.
Las continuaciones, en esta forma más general, se pueden implementar de dos maneras. De la manera call/cc
, la pila del programa se guarda literalmente y luego cuando se invoca la continuación, la pila se restaura.
En continuation passing style (CPS), las continuaciones son solo funciones normales (solo en lenguajes donde las funciones son de primera clase) que el programador maneja explícitamente y pasa a las subrutinas. En este estilo, el estado del programa está representado por cierres (y las variables que están codificadas en ellos) en lugar de variables que residen en algún lugar de la pila. Las funciones que administran el flujo de control aceptan la continuación como argumentos (en algunas variaciones de CPS, las funciones pueden aceptar múltiples continuaciones) y manipulan el flujo de control invocándolas simplemente llamándolas y regresándolas después. Un ejemplo muy simple de estilo de paso de continuación es como sigue:
def save_file(filename):
def write_file_continuation():
write_stuff_to_file(filename)
check_if_file_exists_and_user_wants_to_overwrite(write_file_continuation)
En este ejemplo (muy simplista), el programador guarda la operación de escribir realmente el archivo en una continuación (que puede ser potencialmente una operación muy compleja con muchos detalles para escribir), y luego pasa esa continuación (es decir, como un cierre de primera clase) a otro operador que hace un poco más de procesamiento, y luego lo llama si es necesario. (Uso este patrón de diseño mucho en la programación GUI real, ya sea porque me ahorra líneas de código o, más es importante destacar, para gestionar el flujo de control después de eventos GUI trigger.)
El resto de este post, sin pérdida de generalidad, conceptualizará las continuaciones como CPS, porque es mucho más fácil de entender y leer.
Ahora hablemos de generadores en Python. Los generadores son un subtipo específico de continuación. Mientras que las continuaciones son capaces en general de salvar el estado de un cálculo (es decir, la pila de llamadas del programa), los generadores solo pueden guardar el estado de iteración sobre un iterador . Sin embargo, esta definición es ligeramente engañosa para ciertos casos de uso de generadores. Por ejemplo:
def f():
while True:
yield 4
Este es claramente un iterable razonable cuyo comportamiento está bien definido each cada vez que el generador itera sobre él, devuelve 4 (y lo hace para siempre). Pero no es probablemente el tipo prototípico de iterable que viene a la mente cuando se piensa en iteradores (es decir, for x in collection: do_something(x)
). Este ejemplo ilustra la potencia de los generadores: si algo es un iterador, un generador puede guardar el estado de su iteración.
Para reiterar: Las continuaciones pueden guardar el estado de la pila de un programa y los generadores pueden guardar el estado de iteración. Esto significa que las continuaciones son mucho más potentes que los generadores, pero también que los generadores son mucho, mucho más fáciles. Son más fáciles de implementar para el diseñador de lenguaje, y son más fáciles de usar para el programador (si tiene algo de tiempo para quemar, intenta leer y entender esta página sobre continuaciones y call/cc).
Pero podría implementar (y conceptualizar) generadores como un caso simple y específico de estilo de paso de continuación:
Cuando se llama a yield
, le dice a la función que devuelva una continuación. Cuando la función se llama de nuevo, comienza desde donde lo dejó. Por lo tanto, en pseudo-pseudocódigo (es decir, no pseudocódigo, pero no código) el método next
del generador es básicamente como sigue:
class Generator():
def __init__(self,iterable,generatorfun):
self.next_continuation = lambda:generatorfun(iterable)
def next(self):
value, next_continuation = self.next_continuation()
self.next_continuation = next_continuation
return value
Donde la palabra clave yield
es en realidad azúcar sintáctica para la función generador real, básicamente algo así como:
def generatorfun(iterable):
if len(iterable) == 0:
raise StopIteration
else:
return (iterable[0], lambda:generatorfun(iterable[1:]))
Recuerde que esto es solo pseudocódigo y la implementación real de generadores en Python es más compleja. Pero como un ejercicio para entender lo que está pasando, intente usar el estilo de paso de continuación para implementar objetos generator sin el uso de la palabra clave yield
.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-05-20 10:25:32
Aquí hay un ejemplo en lenguaje sencillo. Proporcionaré una correspondencia entre conceptos humanos de alto nivel y conceptos de Python de bajo nivel.
Quiero operar en una secuencia de números, pero no quiero molestarme con la creación de esa secuencia, solo quiero enfocarme en la operación que quiero hacer. Por lo tanto, hago lo siguiente:
- Te llamo y te digo que quiero una secuencia de números que se produce de una manera específica, y te dejo saber lo que el algoritmo ser.
Este paso corresponde adef
ining la función del generador, es decir, la función que contiene unyield
. - Algún tiempo después, te digo, "OK, prepárate para decirme la secuencia de números".
Este paso corresponde a llamar a la función generator que devuelve un objeto generator. Note que usted no me dice ningún número todavía; usted toma su papel y lápiz. - Yo te pregunto: "Dime el siguiente número", y tú me dices el primer número; después de eso, espera a que te pida el siguiente número. Es tu trabajo recordar dónde estabas, qué números ya has dicho y cuál es el siguiente número. No me importan los detalles.
Este paso corresponde a llamar a.next()
en el objeto generador. - repeat repita el paso anterior, hasta {
- eventualmente, podrías llegar a su fin. No me dices un número; solo gritas: "¡Alto! ¡He terminado! No más números!"
Este paso corresponde a la objeto generator que finaliza su trabajo y genera una excepciónStopIteration
La función generator no necesita generar la excepción. Se genera automáticamente cuando la función termina o emite unreturn
.
Esto es lo que hace un generador (una función que contiene un yield
); comienza a ejecutarse, se detiene cada vez que hace un yield
, y cuando se le pide un valor .next()
continúa desde el último punto que fue. Encaja perfectamente por diseño con el protocolo iterador de Python, que describe cómo para solicitar valores secuencialmente.
El usuario más famoso del protocolo iterador es el comando for
en Python. Así que, cada vez que haces un:
for item in sequence:
No importa si sequence
es una lista, una cadena, un diccionario o un generador objeto como se describió anteriormente; el resultado es el mismo: lee elementos de una secuencia uno por uno.
Tenga en cuenta que def
ining una función que contiene una palabra clave yield
no es la única manera de crear un generador; es solo la forma más fácil de crea uno.
Para obtener información más precisa, lea sobre los tipos de iteradores , la declaración de rendimiento y los generadores en la documentación de Python.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-05-20 10:06:05
Mientras que muchas respuestas muestran por qué usarías un yield
para crear un generador, hay más usos para yield
. Es bastante fácil hacer una corrutina, que permite el paso de información entre dos bloques de código. No repetiré ninguno de los buenos ejemplos que ya se han dado sobre el uso de yield
para crear un generador.
Para ayudar a entender lo que hace un yield
en el siguiente código, puede usar su dedo para rastrear el ciclo a través de cualquier código que tenga un yield
. Cada vez que su el dedo golpea el yield
, tienes que esperar a que se introduzca un next
o un send
. Cuando se llama a un next
, se rastrea a través del código hasta que se pulsa el yield
the el código a la derecha del yield
se evalúa y se devuelve al llamante then luego se espera. Cuando se vuelve a llamar a next
, se realiza otro bucle a través del código. Sin embargo, notará que en una corrutina, yield
también se puede usar con un send
which que enviará un valor desde el llamante a la función de rendimiento. Si se da un send
, entonces yield
recibe el valor enviado, y lo escupe hacia fuera el lado izquierdo then entonces el rastro a través del código progresa hasta que usted golpea el yield
otra vez (devolviendo el valor al final, como si next
fuera llamado).
Por ejemplo:
>>> def coroutine():
... i = -1
... while True:
... i += 1
... val = (yield i)
... print("Received %s" % val)
...
>>> sequence = coroutine()
>>> sequence.next()
0
>>> sequence.next()
Received None
1
>>> sequence.send('hello')
Received hello
2
>>> sequence.close()
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2014-02-04 02:27:35
Hay otro yield
uso y significado (desde Python 3.3):
yield from <expr>
De PEP 380 Syntax Sintaxis para Delegar a un Subgenerador:
Se propone una sintaxis para que un generador delegue parte de sus operaciones a otro generador. Esto permite que una sección de código que contiene 'yield' se factorice y se coloque en otro generador. Además, se permite que el subgenerador regrese con un valor, y el valor se pone a disposición del delegado generador.
La nueva sintaxis también abre algunas oportunidades para la optimización cuando un generador devuelve valores producidos por otro.
Además esto introducirá (desde Python 3.5):
async def new_coroutine(data):
...
await blocking_action()
Para evitar que las corrutinas se confundan con un generador regular (hoy yield
se usa en ambos).
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-05-20 10:34:03
Iba a publicar "lea la página 19 de 'Python: Essential Reference' de Beazley para una descripción rápida de los generadores", pero muchos otros ya han publicado buenas descripciones.
También, tenga en cuenta que yield
se puede utilizar en las corrutinas como el dual de su uso en las funciones del generador. Aunque no es el mismo uso que su fragmento de código, (yield)
se puede usar como una expresión en una función. Cuando un llamador envía un valor al método usando el método send()
, entonces la corrutina se ejecutará hasta que se encuentra la siguiente instrucción (yield)
.
Los generadores y las corrutinas son una forma genial de configurar aplicaciones de tipo flujo de datos. Pensé que valdría la pena conocer el otro uso de la instrucción yield
en funciones.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2013-01-28 01:37:10
Aquí hay algunos ejemplos de Python de cómo implementar generadores como si Python no les proporcionara azúcar sintáctica:
Como generador de Python:
from itertools import islice
def fib_gen():
a, b = 1, 1
while True:
yield a
a, b = b, a + b
assert [1, 1, 2, 3, 5] == list(islice(fib_gen(), 5))
Uso de cierres léxicos en lugar de generadores
def ftake(fnext, last):
return [fnext() for _ in xrange(last)]
def fib_gen2():
#funky scope due to python2.x workaround
#for python 3.x use nonlocal
def _():
_.a, _.b = _.b, _.a + _.b
return _.a
_.a, _.b = 0, 1
return _
assert [1,1,2,3,5] == ftake(fib_gen2(), 5)
Usar cierres de objetos en lugar de generadores (porque los cierres y los objetos son equivalentes)
class fib_gen3:
def __init__(self):
self.a, self.b = 1, 1
def __call__(self):
r = self.a
self.a, self.b = self.b, self.a + self.b
return r
assert [1,1,2,3,5] == ftake(fib_gen3(), 5)
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2017-10-24 10:46:05
Desde un punto de vista de programación, los iteradores se implementan como thunks.
Para implementar iteradores, generadores y grupos de subprocesos para la ejecución concurrente, etc. como thunks (también llamadas funciones anónimas), se usan mensajes enviados a un objeto de cierre, que tiene un despachador, y el despachador responde a "mensajes".
Http://en.wikipedia.org/wiki/Message_passing
"siguiente " es un mensaje enviado a un cierre, creado por el "iter " call.
Hay muchas maneras de implementar este cálculo. Usé mutación, pero es fácil hacerlo sin mutación, devolviendo el valor actual y el siguiente productor.
Aquí hay una demostración que usa la estructura de R6RS, pero la semántica es absolutamente idéntica a la de Python. Es el mismo modelo de computación, y solo se requiere un cambio en la sintaxis para reescribirlo en Python.
Welcome to Racket v6.5.0.3. -> (define gen (lambda (l) (define yield (lambda () (if (null? l) 'END (let ((v (car l))) (set! l (cdr l)) v)))) (lambda(m) (case m ('yield (yield)) ('init (lambda (data) (set! l data) 'OK)))))) -> (define stream (gen '(1 2 3))) -> (stream 'yield) 1 -> (stream 'yield) 2 -> (stream 'yield) 3 -> (stream 'yield) 'END -> ((stream 'init) '(a b)) 'OK -> (stream 'yield) 'a -> (stream 'yield) 'b -> (stream 'yield) 'END -> (stream 'yield) 'END ->
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-05-20 10:29:34
Todas las grandes respuestas, sin embargo, un poco difícil para los novatos.
Asumo que has aprendido la declaración return
.
Como analogía, return
y yield
son gemelos. return
significa "retorno y parada" mientras que "rendimiento" significa "retorno, pero continuar"
- Intenta obtener una num_list con
return
.
def num_list(n):
for i in range(n):
return i
Ejecutarlo:
In [5]: num_list(3)
Out[5]: 0
Vea, usted obtiene solo un número en lugar de una lista de ellos. return
nunca te permite prevalecer felizmente, solo implementa una vez y renunciar.
- Ahí viene
yield
Sustitúyase return
por yield
:
In [10]: def num_list(n):
...: for i in range(n):
...: yield i
...:
In [11]: num_list(3)
Out[11]: <generator object num_list at 0x10327c990>
In [12]: list(num_list(3))
Out[12]: [0, 1, 2]
Ahora, ganas para obtener todos los números.
En comparación con return
que se ejecuta una vez y se detiene, yield
se ejecuta veces que planeó.
Puedes interpretar return
como return one of them
, y yield
como return all of them
. Esto se llama iterable
.
- Un paso más podemos reescribir
yield
sentencia conreturn
In [15]: def num_list(n):
...: result = []
...: for i in range(n):
...: result.append(i)
...: return result
In [16]: num_list(3)
Out[16]: [0, 1, 2]
Es el núcleo acerca de yield
.
La diferencia entre una lista return
salidas y el objeto yield
salida es:
Siempre obtendrá [0, 1, 2] de un objeto list, pero solo podrá recuperarlos de 'la salida del objeto yield
' una vez. Por lo tanto, tiene un nuevo objeto name generator
como se muestra en Out[11]: <generator object num_list at 0x10327c990>
.
En conclusión, como metáfora de grok it:{[33]]}
-
return
yyield
son gemelos -
list
ygenerator
son gemelos
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-05-28 09:06:22
Aquí hay un ejemplo simple:
def isPrimeNumber(n):
print "isPrimeNumber({}) call".format(n)
if n==1:
return False
for x in range(2,n):
if n % x == 0:
return False
return True
def primes (n=1):
while(True):
print "loop step ---------------- {}".format(n)
if isPrimeNumber(n): yield n
n += 1
for n in primes():
if n> 10:break
print "wiriting result {}".format(n)
Salida:
loop step ---------------- 1
isPrimeNumber(1) call
loop step ---------------- 2
isPrimeNumber(2) call
loop step ---------------- 3
isPrimeNumber(3) call
wiriting result 3
loop step ---------------- 4
isPrimeNumber(4) call
loop step ---------------- 5
isPrimeNumber(5) call
wiriting result 5
loop step ---------------- 6
isPrimeNumber(6) call
loop step ---------------- 7
isPrimeNumber(7) call
wiriting result 7
loop step ---------------- 8
isPrimeNumber(8) call
loop step ---------------- 9
isPrimeNumber(9) call
loop step ---------------- 10
isPrimeNumber(10) call
loop step ---------------- 11
isPrimeNumber(11) call
No soy un desarrollador de Python, pero me parece que yield
mantiene la posición de flujo de programa y el siguiente bucle comienza desde la posición de "rendimiento". Parece que está esperando en esa posición, y justo antes de eso, devolver un valor afuera, y la próxima vez continúa funcionando.
Parece ser una habilidad interesante y agradable :D
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-05-20 10:31:01
Aquí hay una imagen mental de lo que yield
hace.
Me gusta pensar que un hilo tiene una pila (incluso cuando no se implementa de esa manera).
Cuando se llama a una función normal, coloca sus variables locales en la pila, hace algún cálculo, luego borra la pila y devuelve. Los valores de sus variables locales nunca se vuelven a ver.
Con una función yield
, cuando su código comienza a ejecutarse (es decir, después de que se llama a la función, devolviendo un objeto generador, cuyo next()
método es entonces invocado), de manera similar pone sus variables locales en la pila y calcula por un tiempo. Pero luego, cuando llega a la instrucción yield
, antes de limpiar su parte de la pila y regresar, toma una instantánea de sus variables locales y las almacena en el objeto generator. También escribe el lugar donde está actualmente en su código (es decir, la instrucción particular yield
).
Así que es una especie de función congelada a la que el generador se aferra.
Cuando next()
se llama posteriormente, recupera las pertenencias de la función en la pila y la vuelve a animar. La función continúa calculando desde donde lo dejó, ajeno al hecho de que acababa de pasar una eternidad en almacenamiento en frío.
Compare los siguientes ejemplos:
def normalFunction():
return
if False:
pass
def yielderFunction():
return
if False:
yield 12
Cuando llamamos a la segunda función, se comporta de manera muy diferente a la primera. La declaración yield
puede ser inalcanzable, pero si está presente en algún lugar, cambia la naturaleza de lo que estamos tratando con.
>>> yielderFunction()
<generator object yielderFunction at 0x07742D28>
Llamar a yielderFunction()
no ejecuta su código, sino que crea un generador a partir del código. (Tal vez sea una buena idea nombrar tales cosas con el prefijo yielder
para legibilidad.)
>>> gen = yielderFunction()
>>> dir(gen)
['__class__',
...
'__iter__', #Returns gen itself, to make it work uniformly with containers
... #when given to a for loop. (Containers return an iterator instead.)
'close',
'gi_code',
'gi_frame',
'gi_running',
'next', #The method that runs the function's body.
'send',
'throw']
Los campos gi_code
y gi_frame
son donde se almacena el estado congelado. Explorándolos con dir(..)
, podemos confirmar que nuestro modelo mental anterior es creíble.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2017-03-01 13:36:58
Como toda respuesta sugiere, yield
se usa para crear un generador de secuencias. Se utiliza para generar una secuencia dinámicamente. Por ejemplo, al leer un archivo línea por línea en una red, puede usar la función yield
de la siguiente manera:
def getNextLines():
while con.isOpen():
yield con.read()
Puede usarlo en su código de la siguiente manera:
for line in getNextLines():
doSomeThing(line)
Transferencia de Control de Ejecución gotcha
El control de ejecución será transferido desde getNextLines() al bucle for
cuando se ejecute yield. Así, cada vez que se invoca getNextLines (), la ejecución comienza desde el punto donde se detuvo la última vez.
Así, en resumen, una función con el siguiente código
def simpleYield():
yield "first time"
yield "second time"
yield "third time"
yield "Now some useful value {}".format(12)
for i in simpleYield():
print i
Se imprimirá
"first time"
"second time"
"third time"
"Now some useful value 12"
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-05-20 10:42:59
Yield es un objeto
Un return
en una función devolverá un solo valor.
Si quieres que una función devuelva un gran conjunto de valores, usa yield
.
Más importante, yield
es una barrera .
Al igual que la barrera en el lenguaje CUDA, no transferirá el control hasta que se completo.
Es decir, ejecutará el código en su función desde el principio hasta que llegue a yield
. Entonces, devolverá el primer valor de bucle.
Entonces, cada otra llamada ejecutará el bucle que ha escrito en la función una vez más, devolviendo el siguiente valor hasta que no haya ningún valor para devolver.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-05-20 10:45:50
En resumen, la instrucción yield
transforma su función en una fábrica que produce un objeto especial llamado generator
que envuelve el cuerpo de su función original. Cuando se itera el generator
, ejecuta su función hasta que alcanza el siguiente yield
, luego suspende la ejecución y evalúa el valor pasado a yield
. Repite este proceso en cada iteración hasta que la ruta de ejecución sale de la función. Por ejemplo,
def simple_generator():
yield 'one'
yield 'two'
yield 'three'
for i in simple_generator():
print i
Simplemente produce
one
two
three
El la energía proviene de usar el generador con un bucle que calcula una secuencia, el generador ejecuta el bucle deteniéndose cada vez para' producir ' el siguiente resultado del cálculo, de esta manera calcula una lista sobre la marcha, el beneficio es la memoria guardada para cálculos especialmente grandes
Digamos que desea crear su propia función range
que produce un rango iterable de números, podría hacerlo así,
def myRangeNaive(i):
n = 0
range = []
while n < i:
range.append(n)
n = n + 1
return range
Y úsalo así; {[14]]}
for i in myRangeNaive(10):
print i
Pero esto es ineficiente porque
- Se crea un array que solo se usa una vez (esto desperdicia memoria)
- Este código en realidad loops sobre esa matriz dos veces! :(
Afortunadamente Guido y su equipo fueron lo suficientemente generosos para desarrollar generadores para que pudiéramos hacer esto;{[14]]}
def myRangeSmart(i):
n = 0
while n < i:
yield n
n = n + 1
return
for i in myRangeSmart(10):
print i
Ahora, en cada iteración, una función en el generador llamada next()
ejecuta la función hasta que alcanza una sentencia ' yield 'en la que se detiene y 'yield' el valor o llega al final de función. En este caso en la primera llamada, next()
ejecuta hasta la instrucción yield y yield 'n', en la siguiente llamada ejecutará la instrucción increment, saltará de nuevo al 'while', lo evaluará, y si es true, se detendrá y volverá a rendir 'n', continuará de esa manera hasta que la condición while devuelva false y el generador salte al final de la función.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-05-20 11:04:36
yield
es como un elemento de retorno para una función. La diferencia es que el elemento yield
convierte una función en un generador. Un generador se comporta como una función hasta que algo es 'cedido'. El generador se detiene hasta que se llama a continuación, y continúa exactamente desde el mismo punto en que comenzó. Puede obtener una secuencia de todos los valores 'cedidos' en uno, llamando a list(generator())
.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2015-05-20 06:19:32
(Mi respuesta a continuación solo habla desde la perspectiva de usar Python generator, no la implementación subyacente del mecanismo del generador, que implica algunos trucos de manipulación de pila y montón.)
Cuando se usa yield
en lugar de return
en una función de python, esa función se convierte en algo especial llamado generator function
. Esa función devolverá un objeto de tipo generator
. La palabra clave yield
es un indicador para notificar al compilador de python que trate dicha función especialmente. Las funciones normales terminarán una vez que se devuelva algún valor. Pero con la ayuda del compilador, la función generadora puede considerarse como resumible. Es decir, el contexto de ejecución se restaurará y la ejecución continuará desde la última ejecución. Hasta que llame explícitamente a return, que generará una excepción StopIteration
(que también es parte del protocolo iterador), o llegue al final de la función. He encontrado un montón de referencias sobre generator
pero este uno de la functional programming perspective
es la más digerible.
(Ahora quiero hablar sobre la razón detrás de generator
, y el iterator
basado en mi propio entendimiento. Espero que esto pueda ayudarle a comprender el motivación esencial de iterador y generador. Este concepto aparece también en otros lenguajes como C#.)
Según entiendo, cuando queremos procesar un montón de datos, generalmente primero almacenamos los datos en algún lugar y luego los procesamos uno por uno. Pero esto intuitivo el enfoque es problemático. Si el volumen de datos es enorme, es costoso almacenarlos como un todo de antemano. Así que en lugar de almacenar el data
directamente, ¿por qué no almacenar algún tipo de metadata
indirectamente, i. e.the logic how the data is computed
.
Hay 2 enfoques para envolver tales metadatos.
- El enfoque OO, envolvemos los metadatos
as a class
. Este es el llamadoiterator
que implementa el protocolo iterador (es decir, los métodos__next__()
y__iter__()
). Esto es también el comúnmente visto patrón de diseño iterador. - El enfoque funcional, envolvemos los metadatos
as a function
. Esto es los llamadosgenerator function
. Pero bajo el capó, el iterador devueltogenerator object
stillIS-A
porque también implementa el protocolo iterador.
De cualquier manera, se crea un iterador, es decir, algún objeto que puede darle los datos que desea. El enfoque OO puede ser un poco complejo. De todos modos, cuál usar depende de ti.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2017-05-23 12:02:54
Muchas personas usan return
en lugar de yield
, pero en algunos casos yield
puede ser más eficiente y fácil de trabajar.
Aquí hay un ejemplo que yield
es definitivamente mejor para:
Return (en función)
import random
def return_dates():
dates = [] # With 'return' you need to create a list then return it
for i in range(5):
date = random.choice(["1st", "2nd", "3rd", "4th", "5th", "6th", "7th", "8th", "9th", "10th"])
dates.append(date)
return dates
Rendimiento (en función)
def yield_dates():
for i in range(5):
date = random.choice(["1st", "2nd", "3rd", "4th", "5th", "6th", "7th", "8th", "9th", "10th"])
yield date # 'yield' makes a generator automatically which works
# in a similar way. This is much more efficient.
Llamando a funciones
dates_list = return_dates()
print(dates_list)
for i in dates_list:
print(i)
dates_generator = yield_dates()
print(dates_generator)
for i in dates_generator:
print(i)
Ambas funciones hacen lo mismo, pero yield
usa tres líneas en lugar de cinco y tiene una menos variable de qué preocuparse.
Este es el resultado del código:
Como puede ver, ambas funciones hacen lo mismo. La única diferencia es que return_dates()
da una lista y yield_dates()
da un generador.
Un ejemplo de la vida real sería algo así como leer un archivo línea por línea o si solo desea hacer un generador.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-05-20 11:02:52
La palabra clave yield
simplemente recopila los resultados que regresan. Piensa en yield
como return +=
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2016-04-23 03:16:19
Aquí hay un simple yield
enfoque basado, para calcular la serie de fibonacci, explicado:
def fib(limit=50):
a, b = 0, 1
for i in range(limit):
yield b
a, b = b, a+b
Cuando introduzcas esto en tu REPL y luego intentes llamarlo, obtendrás un resultado desconcertante: {[34]]}
>>> fib()
<generator object fib at 0x7fa38394e3b8>
Esto se debe a que la presencia de yield
señaló a Python que desea crear un generador , es decir, un objeto que genera valores bajo demanda.
Entonces, ¿cómo generas estos valores? Esto se puede hacer directamente mediante el uso de la función incorporada next
, o, indirectamente alimentándolo a una construcción que consume valores.
Usando la función incorporada next()
, invoca directamente.next
/__next__
, forzando al generador a producir un valor:
>>> g = fib()
>>> next(g)
1
>>> next(g)
1
>>> next(g)
2
>>> next(g)
3
>>> next(g)
5
Indirectamente, si proporciona fib
a un bucle for
, un inicializador list
, un inicializador tuple
, o cualquier otra cosa que espere un objeto que genere / produzca valores, "consumirá" el generador hasta que no pueda producir más valores (y devuelve):
results = []
for i in fib(30): # consumes fib
results.append(i)
# can also be accomplished with
results = list(fib(30)) # consumes fib
De manera similar, con un inicializador tuple
:
>>> tuple(fib(5)) # consumes fib
(1, 1, 2, 3, 5)
Un generador difiere de una función en el sentido de que es perezoso. Se logra esto mediante el mantenimiento de su estado local y lo que le permite reanudar siempre que lo necesite.
Cuando invoques por primera vez fib
llamándolo:
f = fib()
Python compila la función, encuentra la palabra clave yield
y simplemente devuelve un objeto generator. No parece muy útil.
Cuando luego request it genera el primer valor, directa o indirectamente, ejecuta todas las sentencias que encuentra, hasta que encuentra un yield
, luego devuelve el valor que proporcionó a yield
y hace una pausa. Para un ejemplo que demuestra mejor esto, usemos algunas llamadas print
(reemplazar con print "text"
si en Python 2):
def yielder(value):
""" This is an infinite generator. Only use next on it """
while 1:
print("I'm going to generate the value for you")
print("Then I'll pause for a while")
yield value
print("Let's go through it again.")
Ahora, ingrese en el REPL:
>>> gen = yielder("Hello, yield!")
Ahora tiene un objeto generador esperando un comando para que genere un valor. Utilice next
y ver lo que get's impreso:
>>> next(gen) # runs until it finds a yield
I'm going to generate the value for you
Then I'll pause for a while
'Hello, yield!'
Los resultados sin comillas son lo que se imprime. El resultado citado es lo que se devuelve de yield
. Llama next
de nuevo ahora:
>>> next(gen) # continues from yield and runs again
Let's go through it again.
I'm going to generate the value for you
Then I'll pause for a while
'Hello, yield!'
El generador recuerda que se detuvo en yield value
y se reanuda desde allí. Se imprime el siguiente mensaje y se realiza de nuevo la búsqueda de la instrucción yield
para pausarla (debido al bucle while
).
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2017-07-12 12:44:24
Otro TL; DR
Iterador en la lista: next()
devuelve el siguiente elemento de la lista
Generador de iteradores: next()
calculará el siguiente elemento sobre la marcha (ejecutar código)
Puede ver el yield/generator como una forma de ejecutar manualmente el control flow desde fuera (como continuar bucle un paso), llamando a next
, por complejo que sea el flujo.
Nota: El generador es NO una función normal. Recuerda el anterior estado como variables locales (pila). Vea otras respuestas o artículos para una explicación detallada. El generador solo puede ser iterado una vez. Usted podría prescindir de yield
, pero no sería tan agradable, por lo que se puede considerar 'muy agradable' azúcar idioma.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-05-20 10:58:25