在python中，代码不是越多好，而是越少越好；代码不是越复杂越好，而是越简单越好；
代码越少，开发效率越高！

1 切片

例：取一个list或tuple的部分元素

# 定义一个list
>>> L = ['Michale', 'Susan', 'Aimi', 'Bob', 'Jack']
# 笨方法--取前三个元素
>>> [L[0],L[1],L[2]]
['Michale', 'Susan', 'Aimi']
# 笨方法--取前N个元素
>>> r = []
>>> n = 3
>>> for i in range(n):
...     r.append(L[i])
... 
>>> r
['Michale', 'Susan', 'Aimi']

上述这种经常取指定索引范围的操作，用循环十分繁琐，因此，python提供了切片（splice）操作符，能大大简化这种操作。
对应上面的问题，取前3个元素，用一行代码就可以完成切片：

>>> L[0:3]
['Michale', 'Susan', 'Aimi']
>>> L[:3]
['Michale', 'Susan', 'Aimi']
# L[0:3] 表示，从0索引开始取，直到索引3为止，但不包括索引3.即索引0、1、2，正好是3个元素。如果第一个索引是0，还可以忽略，写成L[:3]的形式

#python还支持倒数切片
>>> L[-2:]
['Bob', 'Jack']
>>> L[-2:-1]
['Bob']
# 切记倒数的第一个元素的索引是-1

高级栗子🌰

# 1)创建一个0-99的数列
>>> L = list(range(100))
>>> L
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99]
>>> 
# 2)通过切片获取某一列
# 取前10个
>>> L[:10]
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
# 取后10个
>>> L[-10:]
[90, 91, 92, 93, 94, 95, 96, 97, 98, 99]
# 前11-20个
>>> L[10:20]
[10, 11, 12, 13, 14, 15, 16, 17, 18, 19]
# 前10个数，每两个取一个
>>> L[:10:2]
[0, 2, 4, 6, 8]
# 所有数，每5个取1个
>>> L[::5]
[0, 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80, 85, 90, 95]
# 复制一个相同的list
>>> L[:]
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99]


# tuple也是一种list，唯一的区别是tuple不可变。因此，tuple也可以用切片操作，只是操作的结果仍是tuple
>>> (0,1,2,3,4,5,6)[:3]
(0, 1, 2)
# 字符串也可以看成是一种list，每个元素就是一个字符
>>> 'ABCDEFG'[1:4]
'BCD'

在很多编程语言中，针对字符串提供了很多各种截取函数（例如，substring），其实目的就是对字符串切片。Python没有针对字符串的截取函数，只需要切片一个操作就可以完成，非常简单。

2 迭代

如果给定一个list或者tuple,我们可以通过for循环来遍历这个list或tuple,这种遍历我们称之为迭代(iteration).在python中，迭代是通过for…in…来完成的，而很多语言比如c语言，迭代list是通过下标完成的，比如java代码：

for (i=0; i<list.length; i++) {
    n = list[i];
}

可以看出，python的for循环的抽象程度高于C的for循环,因为Python的for循环不仅可以用在list或tuple上，还可以作用在其他可迭代的对象上。list这种数据结构类型虽然有下标，但很多其他数据类型是没有下标的，但是，只要是可迭代对象，无论有无下标，都可以迭代，比如dict就可以迭代

>>> d = {'a': 1 , 'b' : 2, 'c': 3}
>>> for key in d:
...     print(key)
... 
a
b
c

因为dict的存储不是按照list的方式顺序排列，所以，迭代出的结果顺序很可能不一样。默认情况下，dict迭代的是key,

• 如果要迭代value,可以用for value in d.values()
• 如果要同时迭代key和value，可以用for k,v in d.items()
  由于字符串也是可迭代对象，因此，也可以用for循环：

>>> for w in "ASHDLA":
...     print(w)
... 
A
S
H
D
L
A

如何判断一个对象是否可迭代呢？方法是通过collections模块的Iterable类型判断：

>>> from collections import Iterable
>>> isinstance('ABC', Iterable)
True
>>> isinstance([1,2,3], Iterable)
True
>>> isinstance(123, Iterable)
False

如果要对list实现类似java那样的下标循环怎么办？Python的内置函数enumerate函数可以把一个list变成索引–元素对，这样就可以在for循环中同时迭代索引和元素本身

>>> for i, value in enumerate(['A', 'B', 'C']):
...     print(i, value)
... 
0 A
1 B
2 C
>>> 

3 列表生成式

⇧列表生成式即List Comprehensions, 是Python内置的非常简单却强大的可以用来创建list的生成式,例如：[1,2,3,4,5,6,7,8,9,10]可以用list(range(1,11))
但如果要生成“`[11, 22, 33, …… ,1010] 怎么做呢？

# 法一： 循环(繁琐)
>>> L = []
>>> for x in range(1,11):
...     L.append(x * x)
... 
>>> L
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
>>> 
# 法二：列表生成式(精简)
>>> [x * x for x in range(1, 11)]
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]


# 拓展一，筛选偶数2的倍数
>>> [x * x for x in range(1,11) if x % 2 == 0]
[4, 16, 36, 64, 100]
#拓展二，使用两层循环生成全排列
>>> [m + n for m in 'ABC' for n in 'xyz']
['Ax', 'Ay', 'Az', 'Bx', 'By', 'Bz', 'Cx', 'Cy', 'Cz']

运用列表生成式可以写出非常简洁的代码.例如，列出当前目录下的所有文件和目录名，可以通过一行代码的实现：

>>> [d for d in os.listdir('./myVue')]
['.babelrc', 'index.html', 'webpack.config.js', 'README.md', '.gitignore', 'package.json', 'src']

for循环其实可以同时使用两个甚至多个变量，比如dict和items()可以同时迭代key和value

>>> d = {'A':'a', 'B':'b', "C":'c'}
>>> for k,v in d.items():
...     print(k ,'=', v)
... 
A = a
B = b
C = c
# 因此,列表生成式也可以使用两个变量来生成list：
>>> d = {'A':'a', 'B':'b', 'C':'c' }
>>> [k + '=' + v for k, v in d.items()]
['A=a', 'B=b', 'C=c']
# 最后把一个list中所有的字符串变成小写：
>>> L = ['Hello', 'World', 'IBM', 'Apple']
>>> [s.lower() for s in L]
['hello', 'world', 'ibm', 'apple']

4 生成器

通过列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。

所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，从而节省大量的空间。在Python中，这种一边循环一边计算的机制，称为生成器：generator。

要创建一个generator，有很多种方法。第一种方法很简单，只要把一个列表生成式的[]改成()，就创建了一个generator：

>>> L = [x * x for x in range(10)]
>>> L
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
>>> g = (x * x for x in range(10))
>>> g
<generator object <genexpr> at 0x11039bf10>

创建L和g的区别仅在于最外层的[]和()，L是一个list，而g是一个generator。

我们可以直接打印出list的每一个元素，但我们怎么打印出generator的每一个元素呢？

如果要一个一个打印出来，可以通过next()函数获得generator的下一个返回值：

>>> next(g)
0
>>> next(g)
1
>>> next(g)
4
>>> next(g)
9
>>> next(g)
16
>>> next(g)
25
>>> next(g)
36
>>> next(g)
49
>>> next(g)
64
>>> next(g)
81
>>> next(g)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration

我们讲过，generator保存的是方法，每次调用next(g),就算出g的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的错误.
当然，上面这种不断调用next(g)实在是太变态了，正确的方法是使用for循环，因为generator也是可迭代对象：

>>> g = (x * x for x in range(10))
>>> for n in g:
...     print(n)
... 
0
1
4
9
16
25
36
49
64
81

所以，我们创建了一个generator后，基本上永远不会调用next()，而是通过for循环来迭代它，并且不需要关心StopIteration的错误。

generator非常强大。如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现。

比如，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到：

1, 1, 2, 3, 5, 8, 13, 21, 34, …

斐波拉契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：

>>> def fib(max):
...     n, a, b = 0, 0, 1
...     while n < max:
...        print(b)
...        a, b = b, a + b
...        n = n + 1
...     return 'done'
... 
>>>
# 注意，赋值语句：
a, b = a, a + b
# 相当于
t = (b, a+b)  //t是一个tuple
a = t[0]
b = t[1]
# 但不必显示写出临时变量t就可以赋值
# 上面的函数可以输出斐波那契数列的前N个数
>>> fib(6)
1
1
2
3
5
8
'done'

仔细观察，其实fib函数实际上是定义了斐波那契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator
也就是说，上面的函数和generator仅一步之遥，要把fib函数变成generator，只需要把print(b)改成yield b就可以了。

>>> def fib(max):
...     n, a, b = 0,0,1
...     while n < max:
...         yield b
...         a, b = b ,a + b
...         n = n + 1
...     return 'done'
... 
# 这就是定义generator的另一种方法。如果一个函数定义中包含yield关键字，name这个函数就不再是一个普通函数，而是一个generator
# 举个简单的例子，定义一个generator，依次返回数字1，3，5
>>> def odd():
...     print('step 1')
...     yield 1
...     print('step 2')
...     yield(3)
...     print('step 3')
...     yield(5)
... 
# 调用该generator时，首先要生成一个generator对象，然后用next()函数不断获得下一个返回值：
>>> o = odd()
>>> next(o)
step 1
1
>>> next(o)
step 2
3
>>> next(o)
step 3
5
>>> next(o)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration

可以看到opp不是普通函数，而是generator，在执行过程中，遇到yield就中断，下次又继续执行。执行3次yield后，已经没有yield可以执行了，所以，第4次调用next(o)就报错。
回到fib的例子，我们在循环过程中不断调用yield，就会不断中断。当然要给循环设置一个条件来退出循环，不然就会产生一个无限数列出来。
同样的，把函数改成generator后，我们基本上从来不会用next()来获取下一个返回值，而是直接使用for循环来迭代：

>>> for n in fib(6):
...     print(n)
... 
1
1
2
3
5
8

但是用for循环调用generator时，发现拿不到generator的return语句的返回值。如果想要拿到返回值，必须捕获StopIteration错误，返回值包含在StopIteration的value中：

>>> g = fib(6)
>>> while True:
...     try:
...         x = next(g)
...         print('g:', x)
...     except StopIteration as e:
...         print('Generator return value:', e.value)
...         break
... 
g: 1
g: 1
g: 2
g: 3
g: 5
g: 8
Generator return value: done

关于如何捕获错误，后面的错误处理还会详细讲解。

5 迭代器

我们已经知道，可以直接作用于for循环的数据类型有以下几种：

• 一类是集合数据类型，如list、tuple、dict、set、str等
• 一类是generator，包括生成器和带yield的generator function
  这些可以直接作用于for循环的对象统称为可迭代对象：Iterable
  可以使用isinstance()判断一个对象是否是Iterable对象:

>>> from collections import Iterable
>>> isinstance([], Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance({}, Iterable)
True
>>> isinstance((x for x in range(10)), Iterable)
True
>>> isinstance(100, Iterable)
False

而生成器不但可以作用于for循环，还可以被next()函数不断调用并返回一个值，直到最后抛出StopIteration错误表示无法继续返回一个值了。可以被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator
可以使用isinstance()判断一个对象是否是Iterator对象：

>>> from collections import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True
>>> isinstance({}, Iterator)
False
>>> isinstance([], Iterator)
False
>>> isinstance('abc', Iterator)
False

生成器都是Iterator对象，但list、dict、str虽然是Iterable,却不是Iterator，把list、dict、str等Iterable变成Iterator可以使用iter()函数

>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter('abc'), Iterator)
True

你可能会问，为什么list、dict、str等数据类型不是Iterator？

这是因为Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration错误。可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，所以Iterator的计算是惰性的，只有在需要返回下一个数据时它才会计算。

Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。

小结

凡是可作用于for循环的对象都是Iterable类型；

凡是可作用于next()函数的对象都是Iterator类型，它们表示一个惰性计算的序列；

集合数据类型如list、dict、str等是Iterable但不是Iterator，不过可以通过iter()函数获得一个Iterator对象。

Python的for循环本质上就是通过不断调用next()函数实现的