# itertools Python的内建模块`itertools`提供了非常有用的用于操作迭代对象的函数。 首先，我们看看`itertools`提供的几个“无限”迭代器： ``` >>> import itertools >>> natuals = itertools.count(1) >>> for n in natuals: ... print n ... 1 2 3 ... ``` 因为`count()`会创建一个无限的迭代器，所以上述代码会打印出自然数序列，根本停不下来，只能按`Ctrl+C`退出。 `cycle()`会把传入的一个序列无限重复下去： ``` >>> import itertools >>> cs = itertools.cycle('ABC') # 注意字符串也是序列的一种 >>> for c in cs: ... print c ... 'A' 'B' 'C' 'A' 'B' 'C' ... ``` 同样停不下来。 `repeat()`负责把一个元素无限重复下去，不过如果提供第二个参数就可以限定重复次数： ``` >>> ns = itertools.repeat('A', 10) >>> for n in ns: ... print n ... 打印10次'A' ``` 无限序列只有在`for`迭代时才会无限地迭代下去，如果只是创建了一个迭代对象，它不会事先把无限个元素生成出来，事实上也不可能在内存中创建无限多个元素。 无限序列虽然可以无限迭代下去，但是通常我们会通过`takewhile()`等函数根据条件判断来截取出一个有限的序列： ``` >>> natuals = itertools.count(1) >>> ns = itertools.takewhile(lambda x: x <= 10, natuals) >>> for n in ns: ... print n ... 打印出1到10 ``` `itertools`提供的几个迭代器操作函数更加有用： ### chain() `chain()`可以把一组迭代对象串联起来，形成一个更大的迭代器： ``` for c in chain('ABC', 'XYZ'): print c # 迭代效果：'A' 'B' 'C' 'X' 'Y' 'Z' ``` ### groupby() `groupby()`把迭代器中相邻的重复元素挑出来放在一起： ``` >>> for key, group in itertools.groupby('AAABBBCCAAA'): ... print key, list(group) # 为什么这里要用list()函数呢？ ... A ['A', 'A', 'A'] B ['B', 'B', 'B'] C ['C', 'C'] A ['A', 'A', 'A'] ``` 实际上挑选规则是通过函数完成的，只要作用于函数的两个元素返回的值相等，这两个元素就被认为是在一组的，而函数返回值作为组的key。如果我们要忽略大小写分组，就可以让元素`'A'`和`'a'`都返回相同的key： ``` >>> for key, group in itertools.groupby('AaaBBbcCAAa', lambda c: c.upper()): ... print key, list(group) ... A ['A', 'a', 'a'] B ['B', 'B', 'b'] C ['c', 'C'] A ['A', 'A', 'a'] ``` ### imap() `imap()`和`map()`的区别在于，`imap()`可以作用于无穷序列，并且，如果两个序列的长度不一致，以短的那个为准。 ``` >>> for x in itertools.imap(lambda x, y: x * y, [10, 20, 30], itertools.count(1)): ... print x ... 10 40 90 ``` 注意`imap()`返回一个迭代对象，而`map()`返回list。当你调用`map()`时，已经计算完毕： ``` >>> r = map(lambda x: x*x, [1, 2, 3]) >>> r # r已经计算出来了 [1, 4, 9] ``` 当你调用`imap()`时，并没有进行任何计算： ``` >>> r = itertools.imap(lambda x: x*x, [1, 2, 3]) >>> r <itertools.imap object at 0x103d3ff90> # r只是一个迭代对象 ``` 必须用`for`循环对`r`进行迭代，才会在每次循环过程中计算出下一个元素： ``` >>> for x in r: ... print x ... 1 4 9 ``` 这说明`imap()`实现了“惰性计算”，也就是在需要获得结果的时候才计算。类似`imap()`这样能够实现惰性计算的函数就可以处理无限序列： ``` >>> r = itertools.imap(lambda x: x*x, itertools.count(1)) >>> for n in itertools.takewhile(lambda x: x<100, r): ... print n ... 结果是什么? ``` 如果把`imap()`换成`map()`去处理无限序列会有什么结果？ ``` >>> r = map(lambda x: x*x, itertools.count(1)) 结果是什么? ``` ### ifilter() 不用多说了，`ifilter()`就是`filter()`的惰性实现。 ### 小结 `itertools`模块提供的全部是处理迭代功能的函数，它们的返回值不是list，而是迭代对象，只有用`for`循环迭代的时候才真正计算。