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: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

nudepy,一个有趣的 Python 库!

更多资料获取 📚 个人网站:ipengtao.com 大家好,今天为大家分享一个有趣的 Python 库 - nudepy。 Github地址:https://github.com/hhatto/nude.py 在图像处理和计算机视觉应用中,检测图像中的不适当内容(例如裸露图像)是一个重要的任务。nudepy 是一个基于 Python 的库,专门用于检测图像中的不适当内容。该

pip-tools:打造可重复、可控的 Python 开发环境,解决依赖关系,让代码更稳定

在 Python 开发中,管理依赖关系是一项繁琐且容易出错的任务。手动更新依赖版本、处理冲突、确保一致性等等,都可能让开发者感到头疼。而 pip-tools 为开发者提供了一套稳定可靠的解决方案。 什么是 pip-tools? pip-tools 是一组命令行工具,旨在简化 Python 依赖关系的管理,确保项目环境的稳定性和可重复性。它主要包含两个核心工具:pip-compile 和 pip

HTML提交表单给python

python 代码 from flask import Flask, request, render_template, redirect, url_forapp = Flask(__name__)@app.route('/')def form():# 渲染表单页面return render_template('./index.html')@app.route('/submit_form',

Python QT实现A-star寻路算法

目录 1、界面使用方法 2、注意事项 3、补充说明 用Qt5搭建一个图形化测试寻路算法的测试环境。 1、界面使用方法 设定起点: 鼠标左键双击,设定红色的起点。左键双击设定起点,用红色标记。 设定终点: 鼠标右键双击,设定蓝色的终点。右键双击设定终点,用蓝色标记。 设置障碍点: 鼠标左键或者右键按着不放,拖动可以设置黑色的障碍点。按住左键或右键并拖动,设置一系列黑色障碍点

Python:豆瓣电影商业数据分析-爬取全数据【附带爬虫豆瓣,数据处理过程,数据分析,可视化,以及完整PPT报告】

**爬取豆瓣电影信息,分析近年电影行业的发展情况** 本文是完整的数据分析展现,代码有完整版,包含豆瓣电影爬取的具体方式【附带爬虫豆瓣,数据处理过程,数据分析,可视化,以及完整PPT报告】   最近MBA在学习《商业数据分析》,大实训作业给了数据要进行数据分析,所以先拿豆瓣电影练练手,网络上爬取豆瓣电影TOP250较多,但对于豆瓣电影全数据的爬取教程很少,所以我自己做一版。 目

【Python报错已解决】AttributeError: ‘list‘ object has no attribute ‘text‘

🎬 鸽芷咕:个人主页  🔥 个人专栏: 《C++干货基地》《粉丝福利》 ⛺️生活的理想,就是为了理想的生活! 文章目录 前言一、问题描述1.1 报错示例1.2 报错分析1.3 解决思路 二、解决方法2.1 方法一:检查属性名2.2 步骤二:访问列表元素的属性 三、其他解决方法四、总结 前言 在Python编程中,属性错误(At