Wprowadzenie do generatorów

Generatory to specjalny rodzaj iteratorów w Pythonie, który umożliwia leniwe iterowanie po danych. Zamiast zwracać wszystkie dane naraz, generatory zwracają po jednym elemencie, dzięki czemu efektywnie wykorzystują pamięć.

W tej lekcji dowiedzą się Państwo, jak tworzyć i używać generatorów w Pythonie.

Czym jest generator?

Generator to funkcja, która używa słowa kluczowego yield, aby zwracać wartości pojedynczo. Każde wywołanie metody next() generatora wznawia wykonanie od miejsca, w którym generator ostatnio zwrócił wartość.

# 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

Jak działają generatory

Generatory zapisują stan funkcji, dzięki czemu mogą wznowić wykonanie dokładnie w miejscu, w którym je przerwały. Dzięki temu efektywnie wykorzystują pamięć i doskonale nadają się do pracy z dużymi zbiorami danych.

# 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

Wyrażenia generatorowe

Wyrażenia generatorowe przypominają wyrażenia listowe, ale zamiast nawiasów kwadratowych używają nawiasów okrągłych. Tworzą generatory, a nie listy.

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

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

Generatory a listy

Generatory efektywniej wykorzystują pamięć niż listy, ponieważ nie przechowują wszystkich danych w pamięci. Zamiast tego generują dane na bieżąco.

# 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'>

Zastosowania generatorów

Generatory doskonale nadają się do:

• przetwarzania dużych zbiorów danych, które nie mieszczą się w pamięci,
• generowania nieskończonych sekwencji,
• leniwego obliczania danych.

Nieskończone generatory

Generatory mogą tworzyć nieskończone sekwencje, na przykład nieskończony ciąg liczb. Należy pamiętać o zatrzymaniu pętli, aby zapobiec nieskończonemu wykonywaniu programu.

# 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

Funkcje generatorowe z wieloma instrukcjami yield

Funkcje generatorowe mogą zawierać wiele instrukcji yield, co pozwala tworzyć złożone sekwencje:

# 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

Typowe błędy związane z generatorami

Oto błędy, których należy unikać:

• używanie return zamiast yield w funkcji generatorowej,
• niepobieranie elementów generatora za pomocą pętli lub next(),
• używanie generatorów dla małych zbiorów danych, dla których bardziej odpowiednie są listy.

Czego się nauczyliśmy?

W tej lekcji dowiedzieli się Państwo:

• czym są generatory i jak działają w Pythonie,
• jak używać yield do tworzenia funkcji generatorowych,
• czym różnią się generatory od list,
• jakie są zastosowania generatorów, na przykład do tworzenia nieskończonych sekwencji i przetwarzania dużych zbiorów danych.

Świetna praca! Przejdźmy do następnego tematu.