Python的return和yield,哪个是你的菜?

2024-06-11 04:36
文章标签 python return yield

本文主要是介绍Python的return和yield,哪个是你的菜?,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

1、return基础介绍 📚

1.1 return用途:数据返回

1.2 return执行:函数终止

1.3 return深入:无返回值情况

2、yield核心概念 🍇

2.1 yield与迭代器

2.2 生成器函数构建

2.3 yield的暂停与续行特性

3、return与yield对比 🔍

3.1 执行流程差异

3.2 数据处理方式

3.3 应用场景分析

4、实战:return在函数编程中的应用 🛠️

4.1 简单数据处理函数

4.2 复杂逻辑控制流

4.3 异常处理与返回值

5、实战:yield在高效迭代中的威力 💨

5.1 动态数据生成

5.2 大数据处理优化

5.3 与迭代协议结合实战

6、协程与async/await的yield角色 🔄

6.1 协程基础

6.2 async函数中的yield

6.3 异步IO与yield的高效协作

6.4 yield from的深层理解

7、性能与适用场景分析 📊

7.1 return在性能上的考量

7.2 yield对内存的友好度

7.3 如何选择:return还是yield

7.4 实战项目中的最佳实践

8、总结与展望 🌌



1、return基础介绍 📚

1.1 return用途:数据返回

在Python中,return语句用于从函数中输出数据到调用者。当函数执行到return时,它会立即停止执行当前函数并返回指定的值。如果未指定返回值 ,函数默认返回None。例如,一个简单的函数用于计算两数之和并返回结果:

def add(a, b):result = a + breturn resultsum_result = add(3, 4)
print(sum_result)  # 输出:7

1.2 return执行:函数终止

return不仅用于传递数据 ,它的执行还意味着函数的终止。一旦遇到return ,不论函数内还有多少未执行的代码,都会直接结束执行并退出函数。例如:

def example():print("Before return")returnprint("This won't be printed")  # 这行不会执行example()  # 输出:Before return

1.3 return深入:无返回值情况

如果函数没有显式地包含return语句 ,或者return后面没有跟任何表达式,那么该函数默认返回None。这在不需要函数产生具体输出 ,仅执行某些操作时很有用:

def print_hello():print("Hello, world!")result = print_hello()
print(result)  # 输出:Hello, world! \n None

在此例中 ,尽管print_hello函数打印了消息,但因为没有指定返回值,所以其实际返回None

2、yield核心概念 🍇

2.1 yield与迭代器

在Python中,yield是一个强大的关键字 ,它允许一个函数在执行过程中保存状态,以便在后续调用中恢复执行。这种行为与传统的函数执行不同,后者在调用结束后清除所有局部变量。当一个函数包含了yield关键字,它就变成了一个生成器函数,每次调用生成器的__next__()方法时 ,函数从上次暂停的地方继续执行,直到遇到下一个yield语句。下面是一个生成斐波那契数列的例子:

def fibonacci(n):a, b = 0, 1while a < n:yield aa, b = b, a + bfib = fibonacci(10)
for num in fib:print(num, end=' ')  # 输出:0 1 1 2 3 5 8

2.2 生成器函数构建

生成器函数与普通函数的主要区别在于它使用yield而非return。这使得生成器能够记住函数的状态,而不是像普通函数那样在执行完毕后清除状态。生成器的这一特性使其非常适合处理大量数据或无限序列 ,因为它们只在需要时生成数据,从而节省内存。创建生成器函数后,通过调用它来获取生成器对象,然后可以使用next()函数或迭代协议来访问生成的数据。

def count_up_to(max):count = 1while count <= max:yield countcount += 1counter = count_up_to(5)
for number in counter:print(number)  # 输出:1 2 3 4 5

2.3 yield的暂停与续行特性

yield语句使函数能够在执行过程中暂停,并在下次调用时从暂停点继续执行。这意味着,即使函数中有多个yield语句 ,函数也不会从头开始执行 ,而是从上次暂停的yield之后的代码行开始执行。这一特性使得生成器能够高效地处理数据流,因为它们不需要存储整个数据集在内存中 ,而是按需生成数据。

def number_generator():for i in range(3):yield iprint("After yield:", i)gen = number_generator()
print(next(gen))  # 输出:0
print("Outside generator")  # 输出:Outside generator
print(next(gen))  # 输出:After yield: 0 \n 1
print(next(gen))  # 输出:After yield: 1 \n 2

在这个例子中,可以看到每当yield语句执行后,函数会暂停并保存当前状态 ,随后可以继续从暂停处执行 ,展示yield的暂停与续行特性。

3、return与yield对比 🔍

3.1 执行流程差异

return关键字用于结束函数执行并返回一个值给调用者。一旦return被执行,函数立刻终止,局部变量也会被清理。例如:

def simple_return(x):if x > 10:return "大于10"else:return "小于等于10"print(simple_return(15))  # 输出:"大于10"

yield则用于定义生成器函数 ,它允许函数暂停执行并在下一次迭代时从暂停点恢复,保留了函数的内部状态。例如:

def simple_yield():yield 1yield 2yield 3gen = simple_yield()
print(next(gen))  # 输出:1
print(next(gen))  # 输出:2

3.2 数据处理方式

return通常用于一次性返回计算结果 ,适合于处理有限且确定数量的数据。例如 ,一个计算两个数字之和的函数会直接返回总和。

def sum_two_numbers(a, b):return a + bprint(sum_two_numbers(4, 5))  # 输出:9

相比之下,yield支持按需生成数据,特别适用于处理大量数据或无限序列,如遍历文件行或生成斐波那契数列。

def fibonacci():a, b = 0, 1while True:yield aa, b = b, a + bfib_gen = fibonacci()
for _ in range(10):print(next(fib_gen), end=' ')  # 输出:0 1 1 2 3 5 8 13 21 34

3.3 应用场景分析

  • • return常用于简单数据处理或计算任务 ,当函数需要一次性返回计算结果时。例如,数据验证、简单的转换逻辑或算法实现等。

  • • yield则在需要逐个访问元素的场景下大放异彩,特别是对于大数据处理、流式处理、或是实现迭代器和协程等高级编程模式。它能够显著提高程序的内存效率,特别适合处理数据量庞大的情境,如日志分析、实时数据流处理等。

通过上述对比 ,我们可以看到returnyield在数据处理和执行流程上的根本差异,以及它们各自适用的典型应用场景。正确选择它们,能够帮助开发者编写出更高效、更灵活的代码。

4、实战:return在函数编程中的应用 🛠️

4.1 简单数据处理函数

在日常开发中,return最常见于简单的数据处理函数,如计算数值、转换数据类型或格式化字符串等。下面的例子展示了如何使用return来实现一个简单的温度转换函数:

def celsius_to_fahrenheit(celsius):return celsius * 9 / 5 + 32fahrenheit = celsius_to_fahrenheit(30)
print(fahrenheit)  # 输出:86.0

4.2 复杂逻辑控制流

当函数需要处理复杂的逻辑分支或循环结构时 ,return同样扮演着关键角色。它能够帮助提前终止函数执行 ,避免不必要的计算 ,特别是在条件满足时立即返回结果。下面的例子展示了一个函数,该函数在数组中查找特定元素,找到后即刻返回其位置:

def find_element(arr, target):for index, value in enumerate(arr):if value == target:return indexreturn -1index = find_element([1, 2, 3, 4, 5], 3)
print(index)  # 输出:2

4.3 异常处理与返回值

在处理潜在错误或异常情况时,return也非常重要。它允许函数在检测到错误时立即返回一个错误码或异常信息 ,便于调用方处理。下面的示例展示了如何使用try-except块结合return来优雅地处理除零错误:

def safe_division(dividend, divisor):try:return dividend / divisorexcept ZeroDivisionError:return "Error: Division by zero"result = safe_division(10, 0)
print(result)  # 输出:Error: Division by zero

通过上述实战案例,我们可以看到return在不同场景下的运用方式,无论是基础的数据处理、复杂的逻辑控制还是异常处理,return都提供了强大而灵活的功能 ,使得函数设计更加健壮和高效。

5、实战:yield在高效迭代中的威力 💨

5.1 动态数据生成

yield使得生成器成为动态数据生成的强大工具,它能够按需生成数据项,特别适合处理无穷序列或内存敏感的场景。例如,下面的生成器函数可用来生成连续的自然数:

def infinite_sequence():num = 1while True:yield numnum += 1# 打印前5个自然数
for count, number in zip(range(1, 6), infinite_sequence()):print(count, number)
# 输出:1 1, 2 2, 3 3, 4 4, 5 5

5.2 大数据处理优化

在处理大量数据时,一次性加载所有数据可能会导致内存溢出。通过使用yield,可以逐步处理数据,仅在需要时加载数据片段 ,极大降低了内存消耗。例如,假设我们要处理一个大型文件,每次读取一行:

def read_large_file(file_path):with open(file_path, 'r') as file:for line in file:yield line.strip()# 假设file.txt为待处理的大文件
for line in read_large_file('file.txt'):process(line)  # 假定process为处理每一行数据的函数

5.3 与迭代协议结合实战

yield配合迭代器协议,可以构建复杂的数据处理流程。迭代器协议要求对象实现__iter____next__方法,而生成器自动实现了这些方法。下面是一个结合生成器和列表推导的例子,展示如何高效筛选数据:

def filter_even(nums):for num in nums:if num % 2 == 0:yield numnumbers = [1, 2, 3, 4, 5, 6]
even_nums = (num for num in filter_even(numbers))  # 使用生成器表达式进一步封装
print(list(even_nums))  # 输出:[2, 4, 6]

通过上述实战应用,我们见识到了yield在实现动态数据生成、优化大数据处理以及构建复杂迭代流程中的独特优势。它不仅提升了代码的效率和灵活性,也为处理大规模数据集提供了内存友好的解决方案。

6、协程与async/await的yield角色 🔄

6.1 协程基础

协程是一种比线程更轻量级的并发机制,它允许在一个进程中同时运行多个函数,通过asyncio库在Python中实现。协程的核心概念是能够在执行过程中挂起和恢复,这种能力由yield语句的后代await关键字实现。在Python中,使用async def定义的函数会生成一个协程对象,这个对象可以挂起并等待异步操作完成。虽然yield本身不直接支持并发 ,但结合asyncio库和协程的概念,可以实现异步生成器 ,从而在非阻塞环境中处理多个任务或数据流。

import asyncioasync def slow_operation(n):await asyncio.sleep(1)return n * nasync def produce_squares(numbers):for number in numbers:yield await slow_operation(number)async def main():squares = [s async for s in produce_squares(range(5))]print(squares)asyncio.run(main())  # 输出:[0, 1, 4, 9, 16]

6.2 async函数中的yield

在Python 3.5及更高版本中,yieldawait取代用于异步操作。await用于等待一个协程对象的完成,而async def定义的函数会返回一个协程对象。下面是一个使用await的简单示例,展示了如何在协程中等待另一个协程的完成:

import asyncioasync def my_coroutine():await asyncio.sleep(1)  # 模拟耗时操作print("协程执行完毕")async def main():task = asyncio.create_task(my_coroutine())await taskasyncio.run(main())
# 输出:协程执行完毕

6.3 异步IO与yield的高效协作

在处理I/O密集型任务时,如网络请求、文件读写等,协程通过await能够极大地提升效率。在等待I/O操作时,协程会挂起,让其他协程运行,从而充分利用CPU资源。例如,下面的代码展示了如何使用aiohttp库异步下载多个网页:

import aiohttp
import asyncioasync def fetch(session, url):async with session.get(url) as response:return await response.text()async def main():urls = ['https://example.com', 'https://example.org']async with aiohttp.ClientSession() as session:tasks = [fetch(session, url) for url in urls]results = await asyncio.gather(*tasks)for result in results:print(len(result))asyncio.run(main())

通过上述示例 ,可以看出await如何在异步I/O操作中发挥关键作用,实现非阻塞的高效数据处理。协程和async/await语法使得编写高并发的网络应用变得既简单又直观。

6.4 yield from的深层理解

yield from语法允许一个生成器将其部分或全部迭代委托给另一个可迭代对象,包括其他生成器。这简化了生成器间的嵌套调用和数据传递,提高了代码的可读性和维护性。

def chain(*iterables):for it in iterables:yield from itprint(list(chain([1, 2], ['a', 'b'])))  # 输出:[1, 2, 'a', 'b']

7、性能与适用场景分析 📊

7.1 return在性能上的考量

return语句在性能上通常对函数调用栈影响较小,因为它直接结束函数执行并返回结果。在不需要保留函数状态或处理大量数据流的场景中 ,return因其简洁明了,成为首选。性能损耗主要体现在函数调用的开销,而非return语句本身。

7.2 yield对内存的友好度

yield在处理大数据集时表现出了极高的内存效率,因为它仅在需要时产生下一个值 ,而非一次性生成整个结果集合。这种“懒惰”计算模式大大减少了内存占用 ,特别适用于处理如文件读取、大规模数据流处理等场景。生成器在迭代过程中保持状态,仅当迭代发生时分配必要的内存。

7.3 如何选择:return还是yield

选择return还是yield取决于具体需求:

  • • 一次性计算:如果函数的任务是完成一个计算并立即返回结果 ,使用return

  • • 数据流处理:处理大量数据或需要逐个产生数据项时,yield和生成器更为合适。

  • • 状态保留:需要在多次调用间保持函数状态时 ,yield能自然地暂停和恢复执行。

  • • 内存敏感场景:对内存使用敏感的应用,yield可以有效降低内存消耗。

7.4 实战项目中的最佳实践

  • • 文件读取:利用生成器逐行读取大文件,避免一次性加载整个文件到内存。

def read_large_file(file_path):with open(file_path, 'r') as file:for line in file:yield linefor line in read_large_file('large_file.txt'):process(line)  # 对每一行进行处理
  • • 网络爬虫:分页抓取大量数据时,使用生成器控制请求和解析过程,避免内存溢出。

def page_crawler(start_url, max_pages):current_page = 1while current_page <= max_pages:url = f"{start_url}?page={current_page}"content = fetch(url)  # 假设fetch函数获取网页内容yield parse_content(content)  # 解析内容并返回current_page += 1

通过上述分析 ,我们了解到returnyield在不同场景下的性能特点和适用条件。选择合适的控制流机制,不仅能够提升程序效率,还能确保代码的可读性和可维护性。在实际项目中灵活运用这些知识,是优化应用程序的关键。

8、总结与展望 🌌

在Python编程实践中,returnyield作为函数执行路径上的重要机制 ,分别扮演了数据传递与迭代生成的关键角色。return直接输出函数结果 ,终止执行;而yield则构建了状态保留的生成器 ,适合流式处理与内存优化。面对不同的数据处理需求 ,恰当选取二者至关重要。未来,Python的异步编程与协程模型 ,通过async/await深化了yield的应用,预示着在高效I/O处理与并发编程领域持续演进,凸显了语言的灵活性与生态的前瞻性。

这篇关于Python的return和yield,哪个是你的菜?的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1050209

相关文章

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

Python+PyQt5实现多屏幕协同播放功能

《Python+PyQt5实现多屏幕协同播放功能》在现代会议展示、数字广告、展览展示等场景中,多屏幕协同播放已成为刚需,下面我们就来看看如何利用Python和PyQt5开发一套功能强大的跨屏播控系统吧... 目录一、项目概述:突破传统播放限制二、核心技术解析2.1 多屏管理机制2.2 播放引擎设计2.3 专

Python中随机休眠技术原理与应用详解

《Python中随机休眠技术原理与应用详解》在编程中,让程序暂停执行特定时间是常见需求,当需要引入不确定性时,随机休眠就成为关键技巧,下面我们就来看看Python中随机休眠技术的具体实现与应用吧... 目录引言一、实现原理与基础方法1.1 核心函数解析1.2 基础实现模板1.3 整数版实现二、典型应用场景2

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,:本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV: 关于颜色总是要转HSV的掩膜再标注总结 目标:将红色的部分滤

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

在C#中调用Python代码的两种实现方式

《在C#中调用Python代码的两种实现方式》:本文主要介绍在C#中调用Python代码的两种实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C#调用python代码的方式1. 使用 Python.NET2. 使用外部进程调用 Python 脚本总结C#调

Python下载Pandas包的步骤

《Python下载Pandas包的步骤》:本文主要介绍Python下载Pandas包的步骤,在python中安装pandas库,我采取的方法是用PIP的方法在Python目标位置进行安装,本文给大... 目录安装步骤1、首先找到我们安装python的目录2、使用命令行到Python安装目录下3、我们回到Py