迭代器的优势
- 延迟计算：迭代器按需提供数据，无需一次性加载整个数据集到内存中，特别适合处理大规模或无限数据流。
- 资源效率：减少内存占用，尤其在处理大量数据时，避免一次性构建完整数据结构带来的开销。
- 统一接口：任何支持迭代协议的对象都可以在
for循环中无缝使用，提供一致的遍历体验。
迭代器
迭代器是一个可以记住遍历的位置的对象
迭代器是一个实现了特定协议的对象，它能够按照一定的顺序返回集合中的元素。在Python中，一个对象要成为迭代器，需要满足以下条件：
-
实现
__iter__()方法：返回迭代器对象自身，表明该对象是可迭代的。 -
实现
__next__()方法：返回序列中的下一个元素。当没有更多元素时，抛出StopIteration异常。
借助iter()函数，您可以轻松地将任何可迭代对象（如列表、字典、字符串等）转换为其对应的迭代器。迭代器通常与for循环搭配使用，因为for循环会自动调用__iter__()和__next__()方法。
示例：使用迭代器遍历列表
numbers = [1, 2, 3, 4, 5]
# 获取列表的迭代器
it = iter(numbers)
# 使用迭代器逐个访问元素
while True:
try:
number = next(it)
print(number)
except StopIteration:
break生成器（Generators）
生成器是迭代器的一种特殊实现，它以更简洁、易于维护的方式创建迭代器。生成器有两种形式：生成器函数和生成器表达式。
生成器函数
生成器函数使用yield关键字替代return来返回值。当函数被调用时，它并不会立即执行函数体，而是返回一个生成器对象。每次对生成器对象调用next()方法时，函数从上次暂停的位置（即上次yield语句处）恢复执行，直到遇到下一个yield表达式，此时返回该表达式的值，并再次暂停。一旦函数结束或没有更多yield语句，就会抛出StopIteration异常。
示例：生成器函数生成斐波那契数列
def fibonacci(n):
a, b = 0, 1
for _ in range(n):
yield a
a, b = b, a + b
# 创建生成器对象
fib_gen = fibonacci(10)
# 使用for循环或next()方法遍历生成器
for num in fib_gen:
print(num)生成器表达式
生成器表达式是一种类似列表推导式的语法结构，但使用圆括号而不是方括号。它返回一个生成器对象，而非直接创建列表。生成器表达式同样适用于处理大型数据集，因为它按需生成值，而非一次性生成所有元素。
示例：生成器表达式过滤偶数
numbers = range(1, 11)
even_numbers_gen = (num for num in numbers if num % 2 == 0)
# 遍历生成器表达式的结果
for num in even_numbers_gen:
print(num)生成器的附加方法
除了__iter__()和__next__()方法外，生成器还提供了几个附加方法，增加了与生成器的交互能力：
-
send(value)：向生成器发送一个值，恢复执行并返回下一个yield表达式的值。首次调用send()时，应传入None以启动生成器。 -
throw(exception_type[, value[, traceback]])：向生成器抛出一个异常，使其在捕获该异常的位置恢复执行。 -
close()：导致生成器抛出GeneratorExit异常，用于终止生成器的执行。
应用场景
-
处理大数据：遍历大型文件、网络流或数据库查询结果，避免一次性加载全部数据。
-
计算密集型任务：分步计算复杂问题，如动态规划、斐波那契数列等，按需生成中间结果。
-
模拟无限序列：生成无限随机数序列、模拟实时数据流等。
-
资源优化：在内存受限环境中，如嵌入式设备或微服务，减少内存消耗。
