迭代器模式：一种惰性获取数据项的方式，即按需一次获取一个数据项。
专注于为中小企业提供成都网站制作、网站建设、外贸网站建设服务,电脑端+手机端+微信端的三站合一,更高效的管理,为中小企业祁县免费做网站提供优质的服务。我们立足成都，凝聚了一批互联网行业人才，有力地推动了上1000+企业的稳健成长，帮助中小企业通过网站建设实现规模扩充和转变。
所有序列都是可以迭代的。我们接下来要实现一个 Sentence（句子）类，我们向这个类的构造方法传入包含一些文本的字符串，然后可以逐个单词迭代。
接下来测试 Sentence 实例能否迭代
序列可以迭代的原因：
iter()
解释器需要迭代对象 x 时，会自动调用iter(x)。
内置的 iter 函数有以下作用：
由于序列都实现了 __getitem__ 方法，所以都可以迭代。
可迭代对象：使用内置函数 iter() 可以获取迭代器的对象。
与迭代器的关系：Python 从可迭代对象中获取迭代器。
下面用for循环迭代一个字符串，这里字符串 'abc' 是可迭代的对象，用 for 循环迭代时是有生成器，只是 Python 隐藏了。
如果没有 for 语句，使用 while 循环模拟，要写成下面这样：
Python 内部会处理 for 循环和其他迭代上下文（如列表推导，元组拆包等等）中的 StopIteration 异常。
标准的迭代器接口有两个方法：
__next__ ：返回下一个可用的元素，如果没有元素了，抛出 StopIteration 异常。
__iter__ ：返回 self，以便在需要使用可迭代对象的地方使用迭代器，如 for 循环中。
迭代器：实现了无参数的 __next__ 方法，返回序列中的下一个元素；如果没有元素了，那么抛出 StopIteration 异常。Python 中的迭代器还实现了 __iter__ 方法，因此迭代器也可以迭代。
接下来使用迭代器模式实现 Sentence 类：
注意， 不要 在 Sentence 类中实现 __next__ 方法，让 Sentence 实例既是可迭代对象，也是自身的迭代器。
为了“支持多种遍历”，必须能从同一个可迭代的实例中获取多个独立的迭代器，而且各个迭代器要能维护自身的内部状态，因此这一模式正确的实现方式是，每次调用 iter(my_iterable) 都新建一个独立的迭代器。
所以总结下来就是：
实现相同功能，但却符合 Python 习惯的方式是，用生成器函数代替 SentenceIteror 类。
只要 Python 函数的定义体中有 yield 关键字，该函数就是生成器函数。调用生成器函数，就会返回一个生成器对象。
生成器函数会创建一个生成器对象，包装生成器函数的定义体，把生成器传给 next(...) 函数时，生成器函数会向前，执行函数定义体中的下一个 yield 语句，返回产出的值，并在函数定义体的当前位置暂停，。最终，函数的定义体返回时，外层的生成器对象会抛出 StopIteration 异常，这一点与迭代器协议一致。
如今这一版 Sentence 类相较之前简短多了，但是还不够慵懒。 惰性 ，是如今人们认为最好的特质。惰性实现是指尽可能延后生成值，这样做能节省内存，或许还能避免做无用的处理。
目前实现的几版 Sentence 类都不具有惰性，因为 __init__ 方法急迫的构建好了文本中的单词列表，然后将其绑定到 self.words 属性上。这样就得处理整个文本，列表使用的内存量可能与文本本身一样多（或许更多，取决于文本中有多少非单词字符）。
re.finditer 函数是 re.findall 函数的惰性版本，返回的是一个生成器，按需生成 re.MatchObject 实例。我们可以使用这个函数来让 Sentence 类变得懒惰，即只在需要时才生成下一个单词。
标准库提供了很多生成器函数，有用于逐行迭代纯文本文件的对象，还有出色的 os.walk 函数等等。本节专注于通用的函数：参数为任意的可迭代对象，返回值是生成器，用于生成选中的、计算出的和重新排列的元素。
第一组是用于 过滤 的生成器函数：从输入的可迭代对象中产出元素的子集，而且不修改元素本身。这种函数大多数都接受一个断言参数(predicate)，这个参数是个 布尔函数 ，有一个参数，会应用到输入中的每个元素上，用于判断元素是否包含在输出中。
以下为这些函数的演示：
第二组是用于映射的生成器函数：在输入的单个/多个可迭代对象中的各个元素上做计算，然后返回结果。
以下为这些函数的用法：
第三组是用于合并的生成器函数，这些函数都可以从输入的多个可迭代对象中产出元素。
以下为演示：
第四组是从一个元素中产出多个值，扩展输入的可迭代对象。
以下为演示：
第五组生成器函数用于产出输入的可迭代对象中的全部元素，不过会以某种方式重新排列。
下面的函数都接受一个可迭代的对象，然后返回单个结果，这种函数叫“归约函数”，“合拢函数”或“累加函数”，其实，这些内置函数都可以用 functools.reduce 函数实现，但内置更加方便，而且还有一些优点。
参考教程：
《流畅的python》 P330 - 363
这几个函数在 Python 里面被称为高阶函数，本文主要学习它们的用法。
filter 函数原型如下：
第一个参数是判断函数（返回结果需要是 True 或者 False），第二个为序列，该函数将对 iterable 序列依次执行 function(item) 操作，返回结果是过滤之后结果组成的序列。
简单记忆：对序列中的元素进行筛选，获取符合条件的序列。
返回结果为： ，使用 list 函数可以输入序列内容。
map 函数原型如下：
该函数运行之后生成一个 list，第一个参数是函数、第二个参数是一个或多个序列；
下述代码是一个简单的测试案例：
上述代码运行完毕，得到的结果是： 。使用 print(list(my_new_list)) 可以得到结果。
map 函数的第一个参数，可以有多个参数，当这种情况出现后，后面的第二个参数需要是多个序列。
map 函数解决的问题：
reduce 函数原型如下：
第一个参数是函数，第二个参数是序列，返回计算结果之后的值。该函数价值在于滚动计算应用于列表中的连续值。
测试代码如下：
最终的结果是 6，如果设置第三个参数为 4，可以运行代码查看结果，最后得到的结论是，第三个参数表示初始值，即累加操作初始的数值。
简单记忆：对序列内所有元素进行累计操作。
zip 函数原型如下：
zip 函数将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。
如果各个迭代器的元素个数不一样，则返回列表长度与最短的对象相同，利用星号（ * ）操作符，可以将元组解压为列表。
测试代码如下：
展示如何利用 * 操作符：
输出结果如下：
简单记忆：zip 的功能是映射多个容器的相似索引，可以方便用于来构造字典。
enumerate 函数原型如下：
参数说明：
该函数用于将一个可遍历的数据对象组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。
测试代码如下：
返回结果为： 。
本文涉及的函数可以与 lambda 表达式进行结合，能大幅度提高编码效率。最好的学习资料永远是官方手册
数学上面的定义:迭代公式就是指用现在的值，代到一个公式里面，算出下一个值，再用下一个值代入公式，如此往复地代。比如:x=(x+2/x)/2 你随便拿一个x=10代入，得x=(10+2/10)/2=5.1，再代进去x=(5.1+2/5.1)/2=2.746，再代入得1.737，以此类推。
在python中，迭代式也可以是递归的调用，下面给你举个例子:
def f(n):
if n == 0 or n == 1 or n == 2: return 1
else: return f(n-1) + f(n-2)
这就是一个简单的第n项斐波那契数的求法，这里就用的是迭代式。另外的例子就是牛顿迭代法，采用逐次渐进的效果求出n的开方数，下面是例子:
def f(guess):
return guess ** 2
def fd(guess):
return 2 * guess
def SquareRootNR(x， epsilon):
guess = x / 2.0
diff = f(guess) - x
ctr = 1
while abs(diff) epsilon and ctr = 100:
guess = guess - diff / fd(guess)
diff = f(guess) - x
ctr += 1。
1、map
map()函数接受两个参数，一个是函数，一个是Iterable，map将传入的函数依次作用到序列的每一个元素上，并把结果作为新的Iterator返回。
举例，比如我们有一个函数f(x)=x*2，要把这个函数作用在一个list[1, 2, 3, 4, 5, 6, 7, 8,
9]上，就可以用map()实现。
def f(x):
... return x*2
...
r = map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9])
list(r)
[2, 4, 6, 8, 10, 12, 14, 16, 18]
所以，map()作为高阶函数，事实上它把运算规则抽象了，因此，我们不但可以计算简单的f(x)=x*2，还可以计算任意复杂的函数，比如把这个list所有的数字转为字符串：
list(map(str,[1, 2, 3, 4, 5, 6, 7, 8, 9]))
["1", "2", "3", "4", "5", "6", "7", "8", "9"]
2、reduce
reduce是把一个函数作用在一个序列[x1, x2,
x3……]上，这个函数必须接收两个参数，reduce把结果继续和序列的下一个元素做累计计算。简单来说，就是先计算x1和x2的结果，再拿结果与x3计算，依次类推。比如说一个序列求和，就可以用reduce实现。
from functools import reduce
def add(x, y):
... return x + y
...
reduce(add, [1, 3, 5, 7, 9])
25
也就是说，假设python没有提供int()函数，你完全可以自己写一个把字符串转化为整数的函数，而且只需要几行代码。
3、filter
用于过滤序列，和map函数类似，filter也接收一个函数和一个序列，不同于map的是，filter把传入的函数依次作用于每一个元素，然后根据返回值是True还是False决定保留还是丢弃该元素，例如，在一个list中，删掉偶数，只保留奇数，可以这么写：
def is_odd(n):
return n % 2 == 1
list(filter(is_odd, [1, 2, 4, 5, 6, 9, 10, 15]))
# 结果: [1, 5, 9, 15]
把一个序列中的空字符串删掉，可以这么写：
def not_empty(s):
return s and s.strip()
list(filter(not_empty, ["A", "", "B", None, "C", " "]))
# 结果: ["A", "B", "C"]
可见用filter()这个高阶函数，关键在于正确实现一个筛选函数。
4、sorted
无论冒泡排序还是快速排序，排序的核心是比较两个元素的大小。如果是数字，我们可以直接比较，但如果是字符串或者两个dict呢?直接比较数学上的大小是没有意义的，因此，比较的过程必须通过函数抽象出来，Python内置的sorted()函数就可以对list进行排序：
sorted([36, 5, -12, 9, -21])
[-21, -12, 5, 9, 36]
此外，sorted()函数也是一个高阶函数，它还可以接收一个key函数来实现自定义的排序，例如按绝对值大小排序：
sorted([36, 5, -12, 9, -21], key=abs)
[5, 9, -12, -21, 36]
