Generador - ¿Con qué asocias esta palabra? Quizás se refiere a algún dispositivo electrónico. O tal vez se refiere a una máquina pesada diseñada para producir energía eléctrica u otra cosa.
Un generador de Python es un fragmento de código especializado capaz de producir una serie de valores y controlar el proceso de iteración. Esta es la razón por la cual los generadores a menudo se llaman iteradores, y aunque hay quienes pueden encontrar una diferencia entre estos dos, aquí los trataremos como uno mismo.
Puede que no te hayas dado cuenta, pero te has topado con generadores muchas, muchas veces antes. Echa un vistazo al fragmento de código:
for i in range(5): print(i)
La función range() es un generador, la cual también es un iterador.
¿Cuál es la diferencia?
Una función devuelve un valor bien definido, el cual, puede ser el resultado de una evaluación compleja, por ejemplo, de un polinomio, y se invoca una vez, solo una vez.
Un generador devuelve una serie de valores, y en general, se invoca (implícitamente) más de una vez.
En el ejemplo, el generador range() se invoca seis veces, proporcionando cinco valores de cero a cuatro.
El proceso anterior es completamente transparente. Vamos a arrojar algo de luz sobre el. Vamos a mostrarte el protocolo iterador.
El protocolo iterador es una forma en que un objeto debe comportarse para ajustarse a las reglas impuestas por el contexto de las sentencias for e in. Un objeto conforme al protocolo iterador se llama iterador.
Un iterador debe proporcionar dos métodos:
__iter__() el cual debe devolver el objeto en sí y que se invoca una vez (es necesario para que Python inicie con éxito la iteración).__next__() el cual debe devolver el siguiente valor (primero, segundo, etc.) de la serie deseada: será invocado por las sentencias for/in para pasar a la siguiente iteración; si no hay más valores a proporcionar, el método deberá generar la excepción StopIteration.¿Suena extraño? De ningúna manera:
class Fib:
def __init__(self, nn):
print("__init__")
self.__n = nn
self.__i = 0
self.__p1 = self.__p2 = 1
def __iter__(self):
print("__iter__")
return self
def __next__(self):
print("__next__")
self.__i += 1
if self.__i > self.__n:
raise StopIteration
if self.__i in [1, 2]:
return 1
ret = self.__p1 + self.__p2
self.__p1, self.__p2 = self.__p2, ret
return ret
for i in Fib(10):
print(i)
Hemos creado una clase capaz de iterar a través de los primeros n valores (donde n es un parámetro del constructor) de los números de Fibonacci.
Permítenos recordarte: los números de Fibonacci(Fibi) se definen de la siguiente manera:
Fib1
Fib2
Fibi
En otras palabras:
Vamos a ver el código:
El código produce el siguiente resultado:
__init__ __iter__ __next__ 1 __next__ 1 __next__ 2 __next__ 3 __next__ 5 __next__ 8 __next__ 13 __next__ 21 __next__ 34 __next__ 55 __next__
Observa:
El ejemplo muestra una solución donde el objeto iterador es parte de una clase más compleja.
class Fib: def __init__(self, nn): self.__n = nn self.__i = 0 self.__p1 = self.__p2 = 1 def __iter__(self): print("Fib iter") return self def __next__(self): self.__i += 1 if self.__i > self.__n: raise StopIteration if self.__i in [1, 2]: return 1 ret = self.__p1 + self.__p2 self.__p1, self.__p2 = self.__p2, ret return ret class Class: def __init__(self, n): self.__iter = Fib(n) def __iter__(self): print("Class iter") return self.__iter object = Class(8) for i in object: print(i)
El código no es sofisticado, pero presenta el concepto de una manera clara.
Echa un vistazo al código en el editor.
Hemos colocado el iterador Fib dentro de otra clase (podemos decir que lo hemos compuesto dentro de la clase Class). Se instancia junto con el objeto de Class.
El objeto de la clase se puede usar como un iterador cuando (y solo cuando) responde positivamente a la invocación __iter__ - esta clase puede hacerlo, y si se invoca de esta manera, proporciona un objeto capaz de obedecer el protocolo de iteración.
Es por eso que la salida del código es la misma que anteriormente, aunque el objeto de la clase Fib no se usa explícitamente dentro del contexto del bucle for.
Class iter 1 1 2 3 5 8 13 21
El protocolo iterador no es difícil de entender y usar, pero también es indiscutible que el protocolo es bastante inconveniente.
La principal molestia que tiene es que necesita guardar el estado de la iteración en las invocaciones subsecuentes de __iter__.
Por ejemplo, el iterador Fib se ve obligado a almacenar con precisión el lugar en el que se detuvo la última invocación (es decir, el número evaluado y los valores de los dos elementos anteriores). Esto hace que el código sea más grande y menos comprensible.
Es por eso que Python ofrece una forma mucho más efectiva, conveniente y elegante de escribir iteradores.
El concepto se basa fundamentalmente en un mecanismo muy específico proporcionado por la palabra clave reservada yield.
Se puede ver a la palabra clave reservada yield como un hermano más inteligente de la sentencia return, con una diferencia esencial.
Echa un vistazo a esta función:
def fun(n): for i in range(n): return i
Se ve extraño, ¿no? Está claro que el bucle for no tiene posibilidad de terminar su primera ejecución, ya que el return lo romperá irrevocablemente.
Además, invocar la función no cambiará nada: el bucle for comenzará desde cero y se romperá inmediatamente.
Podemos decir que dicha función no puede guardar y restaurar su estado en invocaciones posteriores.
Esto también significa que una función como esta no se puede usar como generador.
Hemos reemplazado exactamente una palabra en el código, ¿puedes verla?
def fun(n): for i in range(n): yield i
Hemos puesto yield en lugar de return. Esta pequeña enmienda convierte la función en un generador, y el ejecutar la sentencia yield tiene algunos efectos muy interesantes.
Primeramente, proporciona el valor de la expresión especificada después de la palabra clave reservada yield, al igual que return, pero no pierde el estado de la función.
Todos los valores de las variables están congelados y esperan la próxima invocación, cuando se reanuda la ejecución (no desde cero, como ocurre después de un return).
Hay una limitación importante: dicha función no debe invocarse explícitamente ya que no es una función; es un objeto generador.
La invocación devolverá el identificador del objeto, no la serie que esperamos del generador.
Debido a las mismas razones, la función anterior (la que tiene el return) solo se puede invocar explícitamente y no se debe usar como generador.
Permítenos mostrarte el nuevo generador en acción.
Así es como podemos usarlo:
def fun(n): for i in range(n): yield i for v in fun(5): print(v)
¿Puedes adivinar la salida?
0 1 2 3 4
¿Qué pasa si necesitas un generador para producir las primeras n potencias de 2 ?
Nada difícil. Solo mira el código en el editor.
def powers_of_2(n): power = 1 for i in range(n): yield power power *= 2 for v in powers_of_2(8): print(v)
¿Puedes adivinar la salida? Ejecuta el código para verificar tus conjeturas.
Los generadores también se pueden usar con listas por comprensión, justo como aquí:
def powers_of_2(n): power = 1 for i in range(n): yield power power *= 2 t = [x for x in powers_of_2(5)] print(t)
Ejecuta el ejemplo y verifica la salida.
La función list() puede transformar una serie de invocaciones de generador subsequentes en una lista real:
def powers_of_2(n): power = 1 for i in range(n): yield power power *= 2 t = list(powers_of_2(3)) print(t)
Nuevamente, intenta predecir el resultado y ejecuta el código para verificar tus predicciones.
Además, el contexto creado por el operador in también te permite usar un generador.
El ejemplo muestra cómo hacerlo:
def powers_of_2(n): power = 1 for i in range(n): yield power power *= 2 for i in range(20): if i in powers_of_2(4): print(i)
¿Cuál es la salida del código? Ejecuta el programa y verifica.
Ahora veamos un generador de números de la serie Fibonacci, asegurandonos que se vea mucho mejor que la versión orientada a objetos basada en la implementación directa del protocolo iterador.
Aquí está:
def fibonacci(n): p = pp = 1 for i in range(n): if i in [0, 1]: yield 1 else: n = p + pp pp, p = p, n yield n fibs = list(fibonacci(10)) print(fibs)
Adivina la salida (una lista) producida por el generador y ejecuta el código para verificar si tenías razón.
Debes poder recordar las reglas que rigen la creación y el uso de un fenómeno de Python llamado listas por comprensión: una forma simple de crear listas y sus contenidos.
list_1 = [] for ex in range(6): list_1.append(10 ** ex) list_2 = [10 ** ex for ex in range(6)] print(list_1) print(list_2)
Existen dos partes dentro del código, ambas crean una lista que contiene algunas de las primeras potencias naturales de diez.
La primer parte utiliza una forma rutinaria del bucle for, mientras que la segunda hace uso de listas por comprensión y construye la lista en el momento, sin necesidad de un bucle o cualquier otro código.
Pareciera que la lista se crea dentro de sí misma; esto es falso, ya que Python tiene que realizar casi las mismas operaciones que en la primera parte, pero el segundo formalismo es simplemente más elegante y le evita al lector cualquier detalle innecesario.
El ejemplo genera dos líneas idénticas que contienen el siguiente texto:
[1, 10, 100, 1000, 10000, 100000] [1, 10, 100, 1000, 10000, 100000]
Hay una sintaxis muy interesante que queremos mostrarte ahora. Su usabilidad no se limita a listas por comprensión.
Es una expresión condicional: una forma de seleccionar uno de dos valores diferentes en función del resultado de una expresión Booleana.
Observa:
expresión_uno if condición else expresión_dos
Puede parecer un poco sorprendente a primera vista, pero hay que tener en cuenta que no es una instrucción condicional. Además, no es una instrucción en lo absoluto. Es un operador.
El valor que proporciona es expresión_uno cuando la condición es True (verdadero), y expresión_dos cuando sea falso.
the_list = [] for x in range(10): the_list.append(1 if x % 2 == 0 else 0) print(the_list)
El código llena una lista con unos y ceros, si el índice de un elemento particular es impar, el elemento se establece a 0, y a 1 de lo contrario.
¿Simple? Quizás no a primera vista. ¿Elegante? Indiscutiblemente.
¿Se puede usar el mismo truco dentro de una comprensión de lista? Sí, por supuesto.
the_list = [1 if x % 2 == 0 else 0 for x in range(10)] print(the_list)
Compacto y elegante: estas dos palabras vienen a la mente al mirar el código.
Entonces, ¿qué tienen en común, generadores y listas por comprensión? ¿Hay alguna conexión entre ellos? Si. Una conexión algo suelta, pero inequívoca.
Solo un cambio puede convertir cualquier comprensión en un generador.
Ahora observa el código a continuación y ve si puedes encontrar el detalle que convierte una comprensión de lista en un generador:
the_list = [1 if x % 2 == 0 else 0 for x in range(10)] the_generator = (1 if x % 2 == 0 else 0 for x in range(10)) for v in the_list: print(v, end=" ") print() for v in the_generator: print(v, end=" ") print()
Son los paréntesis. Los corchetes hacen una comprensión, los paréntesis hacen un generador.
El código, cuando se ejecuta, produce dos líneas idénticas:
1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0
¿Cómo puedes saber que la segunda asignación crea un generador, no una lista?
Hay algunas pruebas que podemos mostrarte. Aplica la función len() a ambas entidades.
len(the_list) dará como resultado 10. Claro y predecible. len(the_generator) generará una excepción, y verás el siguiente mensaje:
TypeError: object of type 'generator' has no len()
Por supuesto, guardar la lista o el generador no es necesario; puedes crearlos exactamente en el lugar donde los necesites, justo como aquí:
for v in [1 if x % 2 == 0 else 0 for x in range(10)]: print(v, end=" ") print() for v in (1 if x % 2 == 0 else 0 for x in range(10)): print(v, end=" ") print()
Nota: la misma apariencia de la salida no significa que ambos bucles funcionen de la misma manera. En el primer bucle, la lista se crea (y se itera) como un todo; en realidad, existe cuando se ejecuta el bucle.
En el segundo bucle, no hay ninguna lista, solo hay valores subsecuentes producidos por el generador, uno por uno.
La función lambda es un concepto tomado de las matemáticas, más específicamente, de una parte llamada el Cálculo Lambda, pero estos dos fenómenos no son iguales.
Los matemáticos usan el Cálculo Lambda en sistemas formales conectados con: la lógica, la recursividad o la demostrabilidad de teoremas. Los programadores usan la función lambda para simplificar el código, hacerlo más claro y fácil de entender.
Una función lambda es una función sin nombre (también puedes llamarla una función anónima). Por supuesto, tal afirmación plantea inmediatamente la pregunta: ¿cómo se usa algo que no se puede identificar?
Afortunadamente, no es un problema, ya que se puede mandar llamar dicha función si realmente se necesita, pero, en muchos casos la función lambda puede existir y funcionar mientras permanece completamente de incógnito.
La declaración de la función lambda no se parece a una declaración de función normal; compruébalo tu mismo:
lambda parámetros: expresión
Tal cláusula devuelve el valor de la expresión al tomar en cuenta el valor del argumento lambda actual.
Como de costumbre, un ejemplo será útil. Nuestro ejemplo usa tres funciones lambda, pero con nombres. Analízalo cuidadosamente:
two = lambda: 2 sqr = lambda x: x * x pwr = lambda x, y: x ** y for a in range(-2, 3): print(sqr(a), end=" ") print(pwr(a, two()))
Vamos a analizarlo:
La primer lambda es una función anónima sin parámetros que siempre devuelve un 2. Como se ha asignado a una variable llamada dos, podemos decir que la función ya no es anónima, y se puede usar su nombre para invocarla.
La segunda es una función anónima de un parámetro que devuelve el valor de su argumento al cuadrado. Se ha nombrado también como tal.
La tercer lambda toma dos parámetros y devuelve el valor del primero elevado al segundo. El nombre de la variable que lleva la lambda habla por si mismo. No se utiliza pow para evitar confusiones con la función incorporada del mismo nombre y el mismo propósito.
El programa produce el siguiente resultado:
4 4 1 1 0 0 1 1 4 4
Este ejemplo es lo suficientemente claro como para mostrar como se declaran las funciones lambda y cómo se comportan, pero no dice nada acerca de por que son necesarias y para qué se usan, ya que se pueden reemplazar con funciones de Python de rutina.
La parte más interesante de usar lambdas aparece cuando puedes usarlas en su forma pura: como partes anónimas de código destinadas a evaluar un resultado.
Imagina que necesitamos una función (la nombraremos print_function) que imprime los valores de una (otra) función dada para un conjunto de argumentos seleccionados.
Queremos que print_function sea universal, debería aceptar un conjunto de argumentos incluidos en una lista y una función a ser evaluada, ambos como argumentos; no queremos codificar nada.
def print_function(args, fun): for x in args: print('f(', x,')=', fun(x), sep='') def poly(x): return 2 * x**2 - 4 * x + 2 print_function([x for x in range(-2, 3)], poly)
Analicémoslo. La función print_function() toma dos parámetros:
Nota: También hemos definido una función llamada poly(), esta es la función cuyos valores vamos a imprimir. El cálculo que realiza la función no es muy sofisticado: es el polinomio (de ahí su nombre) de la forma:
f(x) = 2x2 - 4x + 2
El nombre de la función se pasa a print_function() junto con un conjunto de cinco argumentos diferentes: el conjunto está construido con una cláusula de comprensión de la lista.
El código imprime las siguientes líneas:
f(-2)=18 f(-1)=8 f(0)=2 f(1)=0 f(2)=2
¿Podemos evitar definir la función poly(), ya que no la vamos a usar más de una vez? Si, podemos: este es el beneficio que puede aportar una función lambda.
Mira el ejemplo de abajo. ¿Puedes ver la diferencia?
def print_function(args, fun): for x in args: print('f(', x,')=', fun(x), sep='') print_function([x for x in range(-2, 3)], lambda x: 2 * x**2 - 4 * x + 2)
La función print_function() se ha mantenido exactamente igual, pero no hay una función poly(). Ya no la necesitamos, ya que el polinomio ahora está directamente dentro de la invocación de la función print_function() en forma de una lambda definida de la siguiente manera:
lambda x: 2 * x**2 - 4 * x + 2
El código se ha vuelto más corto, más claro y más legible.
Permítenos mostrarte otro lugar donde las lambdas pueden ser útiles. Comenzaremos con una descripción de map(), una función integrada de Python. Su nombre no es demasiado descriptivo, su idea es simple y la función en sí es muy utilizable.
En el más simple de todos los casos posibles, la función map():
map(function, list)
Toma dos argumentos:
La descripción anterior está extremadamente simplificada, ya que:
map() puede ser cualquier entidad que se pueda iterar (por ejemplo, una tupla o un generador).map() puede aceptar más de dos argumentos.
La función map() aplica la función pasada por su primer argumento a todos los elementos de su segundo argumento y devuelve un iterador que entrega todos los resultados de funciones subsequentes.
Puedes usar el iterador resultante en un bucle o convertirlo en una lista usando la función list().
¿Puedes ver un papel para una lambda aquí?
list_1 = [x for x in range(5)] list_2 = list(map(lambda x: 2 ** x, list_1)) print(list_2) for x in map(lambda x: x * x, list_2): print(x, end=' ') print()
Hemos usado dos lambdas en él.
Esta es la explicación:
map() junto con la primer lambda para crear una nueva lista en la que todos los elementos han sido evaluados como 2 elevado a la potencia tomada del elemento correspondiente de list_1.map() para hacer uso del generador que devuelve, e imprimir directamente todos los valores que entrega; como puedes ver, hemos usado la segunda lambda aquí - solo eleva al cuadrado cada elemento de list_2.Intenta imaginar el mismo código sin lambdas. ¿Sería mejor? Es improbable.
Otra función de Python que se puede embellecer significativamente mediante la aplicación de una lambda es filter().
Espera el mismo tipo de argumentos que map(), pero hace algo diferente: filtra su segundo argumento mientras es guiado por direcciones que fluyen desde la función especificada en el primer argumento (la función se invoca para cada elemento de la lista, al igual que en map() ).
Los elementos que devuelven True de la función pasan el filtro, los otros son rechazados.
from random import seed, randint seed() data = [randint(-10,10) for x in range(5)] filtered = list(filter(lambda x: x > 0 and x % 2 == 0, data)) print(data) print(filtered)
Nota: hemos hecho uso del módulo random para inicializar el generador de números aleatorios (que no debe confundirse con los generadores de los que acabamos de hablar) con la función seed(), para producir cinco valores enteros aleatorios de -10 a 10 usando la función randint().
Luego se filtra la lista y solo se aceptan los números que son pares y mayores que cero.
Por supuesto, no es probable que recibas los mismos resultados, pero así es como se veían nuestros resultados:
[6, 3, 3, 2, -7] [6, 2]
Comencemos con una definición: cierres es una técnica que permite almacenar valores a pesar de que el contexto en el que se crearon ya no existe. ¿Complicado? Un poco.
Analicemos un ejemplo simple:
def outer(par): loc = par var = 1 outer(var) print(var) print(loc)
El ejemplo es obviamente erróneo.
Las dos últimas líneas provocarán una excepción NameError - ni par ni loc son accesibles fuera de la función. Ambas variables existen cuando y solo cuando la función outer() esta siendo ejecutada.
def outer(par): loc = par def inner(): return loc return inner var = 1 fun = outer(var) print(fun())
Hay un elemento completamente nuevo - una función (llamada inner) dentro de otra función (llamada outer).
¿Cómo funciona? Como cualquier otra función excepto por el hecho de que inner() solo se puede invocar desde dentro de outer(). Podemos decir que inner() es una herramienta privada de outer(), ninguna otra parte del código la puede acceder.
Observa cuidadosamente:
inner() devuelve el valor de la variable accesible dentro de su alcance, ya que inner() puede utilizar cualquiera de las entidades a disposición de outer().outer() devuelve la función inner() por si misma; mejor dicho, devuelve una copia de la función inner() al momento de la invocación de la función outer(); la función congelada contiene su entorno completo, incluido el estado de todas las variables locales, lo que también significa que el valor de loc se retiene con éxito, aunque outer() ya ha dejado de existir.En efecto, el código es totalmente válido y genera:
1
La función devuelta durante la invocación de outer() es un cierre.
Un cierre se debe invocar exactamente de la misma manera en que se ha declarado.
En el ejemplo anterior (vea el código a continuación):
def outer(par): loc = par def inner(): return loc return inner var = 1 fun = outer(var) print(fun())
La función inner() no tenía parámetros, por lo que tuvimos que invocarla sin argumentos.
def make_closure(par): loc = par def power(p): return p ** loc return power fsqr = make_closure(2) fcub = make_closure(3) for i in range(5): print(i, fsqr(i), fcub(i))
Es totalmente posible declarar un cierre equipado con un número arbitrario de parámetros, por ejemplo, al igual que la función power().
Esto significa que el cierre no solo utiliza el ambiente congelado, sino que también puede modificar su comportamiento utilizando valores tomados del exterior.
Este ejemplo muestra una circunstancia más interesante: puedes crear tantos cierres como quieras usando el mismo código. Esto se hace con una función llamada make_closure(). Nota:
Es por eso que el código produce el siguiente resultado:
0 0 0 1 1 1 2 4 8 3 9 27 4 16 64
1. Un iterator es un objeto de una clase que proporciona al menos dos métodos (sin contar el constructor):
__iter__() se invoca una vez cuando se crea el iterador y devuelve el propio objeto del iterador.__next__() se invoca para proporcionar el valor de la siguiente iteración y genera la excepción StopIteration cuando la iteración llega a su fin.2. La sentencia yield solo puede ser utilizada dentro de funciones. La sentencia yield suspende la ejecución de la función y hace que la función regrese el argumento de yield como resultado. Esta función no puede invocarse de forma regular, su único propósito es ser utilizada como un generador (es decir, en un contexto que requiera una serie de valores, como un bucle for).
3. Una expresión condicional es una expresión construida usando el operador if-else. Por ejemplo:
print(True if 0 >= 0 else False)
Da como salida: True.
4. Una lista por comprensión se convierte en un generador cuando se emplea dentro de paréntesis (usado entre corchetes, produce una lista regular). Por ejemplo:
for x in (el * 2 for el in range(5)): print(x)
Da como salida: 02468.
5. Una función lambda es una herramienta para crear funciones anónimas. Por ejemplo:
def foo(x, f): return f(x) print(foo(9, lambda x: x ** 0.5))
Da como salida: 3.0.
6. La función map(fun, list) crea una copia del argumento list, y aplica la función fun a todos sus elementos, retornando un generador que proporciona el nuevo contenido de la lista elemento por elemento. Por ejemplo:
short_list = ['mython', 'python', 'fell', 'on', 'the', 'floor'] new_list = list(map(lambda s: s.title(), short_list)) print(new_list)
Da como salida: ['Mython', 'Python', 'Fell', 'On', 'The', 'Floor'].
7. La función filter(fun, list) crea una copia de aquellos elementos de list, lo cual hace que la función fun retorne True. El resultado de la función es un generador proporcionando el nuevo contenido de la lista elemento por elemento. Por ejemplo
short_list = [1, "Python", -1, "Monty"] new_list = list(filter(lambda s: isinstance(s, str), short_list)) print(new_list)
Da como salida: ['Python', 'Monty'].
8. Un cierre es una técnica que permite almacenar valores a pesar de que el contexto en el que han sido creados no existe más. Por ejemplo:
def tag(tg): tg2 = tg tg2 = tg[0] + '/' + tg[1:] def inner(str): return tg + str + tg2 return inner b_tag = tag('<b>') print(b_tag('Monty Python'))
Da como salida: <b>Monty Python</b>