Einführung in Generatoren

Generatoren sind ein spezieller Iteratortyp in Python, mit dem Sie Daten verzögert durchlaufen können. Statt alle Daten auf einmal zurückzugeben, liefern sie jeweils ein Element, wodurch sie speichereffizient sind.

In dieser Lektion lernen Sie, wie Sie Generatoren in Python erstellen und verwenden.

Was ist ein Generator?

Ein Generator ist eine Funktion, die das Schlüsselwort yield verwendet, um Werte einzeln zurückzugeben. Jeder Aufruf der Methode next() des Generators setzt die Ausführung an der Stelle fort, an der zuletzt ein Wert geliefert wurde.

# Basic generator example
def my_generator():
    yield 1
    yield 2
    yield 3

# Using the generator
gen = my_generator()
print(next(gen))  # Outputs: 1
print(next(gen))  # Outputs: 2
print(next(gen))  # Outputs: 3

Wie Generatoren funktionieren

Generatoren speichern den Zustand der Funktion, sodass sie die Ausführung genau an der Stelle fortsetzen können, an der sie angehalten wurde. Dadurch sind sie speichereffizient und ideal für große Datensätze.

# Example: Generating a range of numbers
def range_generator(start, end):
    while start < end:
        yield start
        start += 1

for number in range_generator(1, 5):
    print(number)  # Outputs: 1, 2, 3, 4

Generatorausdrücke

Generatorausdrücke ähneln Listen-Comprehensions, verwenden jedoch runde statt eckiger Klammern. Sie erzeugen Generatoren statt Listen.

# Generator expression
gen_exp = (x * x for x in range(5))

for value in gen_exp:
    print(value)  # Outputs: 0, 1, 4, 9, 16

Generatoren im Vergleich zu Listen

Generatoren sind speichereffizienter als Listen, weil sie nicht alle Daten im Speicher speichern. Stattdessen erzeugen sie die Daten erst bei Bedarf.

# Comparing lists and generators
# List comprehension
list_comp = [x * x for x in range(1000000)]

# Generator expression
gen_exp = (x * x for x in range(1000000))

# List comprehension uses more memory
print(type(list_comp))  # Outputs: <class 'list'>
print(type(gen_exp))    # Outputs: <class 'generator'>

Anwendungsfälle für Generatoren

Generatoren eignen sich ideal für:

• Die Verarbeitung großer Datensätze, die nicht in den Speicher passen.
• Das Erzeugen unendlicher Sequenzen.
• Die verzögerte Auswertung von Daten.

Unendliche Generatoren

Generatoren können unendliche Sequenzen erzeugen, beispielsweise eine endlose Zahlenfolge. Achten Sie darauf, die Schleife zu beenden, um eine Endlosschleife zu verhindern.

# Infinite generator example
def infinite_sequence():
    num = 0
    while True:
        yield num
        num += 1

# Using the infinite generator
for i in infinite_sequence():
    if i > 5:
        break
    print(i)  # Outputs: 0, 1, 2, 3, 4, 5

Generatorfunktionen mit mehreren Yield-Ausdrücken

Generatorfunktionen können mehrere yield-Anweisungen enthalten, mit denen Sie komplexe Sequenzen erstellen können:

# Multiple yields in a generator
def multi_yield():
    yield "First"
    yield "Second"
    yield "Third"

for value in multi_yield():
    print(value)  # Outputs: First, Second, Third

Häufige Fehler bei Generatoren

Hier sind einige Fehler, die Sie vermeiden sollten:

• In einer Generatorfunktion return statt yield zu verwenden.
• Den Generator nicht mit einer Schleife oder next() zu durchlaufen.
• Generatoren für kleine Datensätze zu verwenden, für die Listen besser geeignet sind.

Was haben Sie gelernt?

In dieser Lektion haben Sie Folgendes gelernt:

• Was Generatoren sind und wie sie in Python funktionieren.
• Wie Sie yield verwenden, um Generatorfunktionen zu erstellen.
• Die Unterschiede zwischen Generatoren und Listen.
• Anwendungsfälle für Generatoren, beispielsweise unendliche Sequenzen und große Datensätze.

Sehr gut! Fahren Sie mit dem nächsten Thema fort.