在Python程式設計中，有一個強大而神秘的關鍵字，那就是yield。初學者常常被它搞得暈頭轉向，而高階開發者則藉助它實現高效的程式碼。到底yield是什麼？它又是如何在Python程式碼中發揮作用的呢？讓我們一起來揭開它的面紗。
Python裡的一個非常重要但也頗具迷惑性的關鍵詞——yield。
什麼是yield？為什麼我們需要在Python中使用它？
來，讓我們一起來拆解一下，看看yield到底是個啥。
迭代與可迭代物件
要搞明白yield，咱們先得弄清楚什麼是可迭代物件（iterables）。
所謂可迭代物件，簡單來說，就是你可以逐個讀取其元素的物件，比如列表、字串、檔案等等。舉個例子，當你建立一個列表時，你可以用for迴圈一個個地讀取它的元素：
mylist = [1, 2, 3] for i in mylist: print(i)
輸出會是：
1 2 3
這裡的mylist就是一個可迭代物件。你還可以用列表推導式（list comprehension）來建立一個列表，它同樣也是可迭代的：
mylist = [x*x for x in range(3)] for i in mylist: print(i)
輸出是：
0
1
4
凡是你可以用for... in...來操作的東西，都是可迭代物件，包括列表、字串、檔案等等。
可迭代物件非常方便，因為你可以任意多次地讀取它們的值，但前提是你得把所有值都儲存在記憶體裡。這就帶來了一個問題：當資料量很大時，這種方式顯然不太合適。
生成器
生成器（generators）是迭代器的一種，你只能遍歷它們一次。生成器不像列表那樣把所有的值都儲存在記憶體裡，而是即用即生成。來看看生成器的例子：
mygenerator = (x*x for x in range(3)) for i in mygenerator: print(i)
輸出和列表推導式一樣：
0
1
4
但注意了，生成器只能使用一次，因為它們會“邊用邊忘”：計算0後忘記0，計算1後忘記1，最後計算4後結束。再用同一個生成器物件做for迴圈就沒有結果了。
yield關鍵詞
說到yield，這是個類似於return的關鍵詞，但它返回的不是一個值，而是一個生成器。看看這個例子：
def create_generator(): mylist = range(3) for i in mylist: yield i*i
mygenerator = create_generator() # 建立一個生成器
print(mygenerator) # mygenerator 是一個生成器物件！
輸出是：
<generator object create_generator at 0xb7555c34>
透過for迴圈遍歷這個生成器：
for i in mygenerator: print(i)
輸出：
0
1
4
這個例子看起來簡單，但它在處理大量資料時特別有用，因為生成器只在需要時生成值，而不是一次性生成所有值然後儲存在記憶體中。
深入理解yield
為了徹底掌握yield，我們需要理解當呼叫生成器函式時，函式體內的程式碼並不會立即執行。函式返回的是一個生成器物件，然後你的程式碼會在每次呼叫for迴圈時從上次中斷的地方繼續執行，直到遇到下一個yield。
第一次呼叫for迴圈時，生成器物件會從頭開始執行函式中的程式碼，直到遇到yield，然後返回迴圈中的第一個值。隨後的每次呼叫都會執行函式中迴圈的下一次迭代，直到生成器不再有值返回。這可能是因為迴圈結束了，或者條件不再滿足。
來看看一個實際的例子：
1 def _get_child_candidates(self, distance, min_dist, max_dist): 2 if self._leftchild and distance - max_dist < self._median: 3 yield self._leftchild 4 if self._rightchild and distance + max_dist >= self._median: 5 yield self._rightchild
這裡的程式碼在每次使用生成器物件時都會被呼叫：
如果節點物件還有左子節點並且距離合適，返回下一個子節點。
如果節點物件還有右子節點並且距離合適，返回下一個子節點。
如果沒有更多子節點，生成器會被認為是空的。
呼叫這個生成器的方法如下：
1 result, candidates = list(), [self] 2 while candidates: 3 node = candidates.pop() 4 distance = node._get_dist(obj) 5 if distance <= max_dist and distance >= min_dist: 6 result.extend(node._values) 7 candidates.extend(node._get_child_candidates(distance, min_dist, max_dist)) 8 9 return result
這裡的程式碼有幾個巧妙之處：
- 迴圈遍歷一個列表，而列表在迴圈過程中會擴充套件。這樣可以方便地遍歷所有巢狀的資料，雖然有些危險，因為可能會陷入無限迴圈。在這個例子中，candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))用盡生成器的所有值，但while迴圈不斷建立新的生成器物件，因為它們作用在不同的節點上會產生不同的值。
- extend()方法是列表物件的方法，它期望一個可迭代物件，並將其值新增到列表中。通常我們傳遞一個列表給它，但在程式碼中，它接收一個生成器，這是個好主意，因為：
- 你不需要讀取值兩次。
- 你可能有很多子節點，不想全部儲存在記憶體中。
這段程式碼展示了Python為何如此酷：它不在乎方法的引數是列表還是其他可迭代物件。這種特性叫鴨子型別（duck typing），也是Python靈活性的一個體現。
高階用法
再來看一個更高階的用法——控制生成器的耗盡：
1 class Bank(): 2 crisis = False 3 def create_atm(self): 4 while not self.crisis: 5 yield "$100" 6 7 hsbc = Bank() 8 corner_street_atm = hsbc.create_atm() 9 print(next(corner_street_atm)) # 輸出 $100 10 print(next(corner_street_atm)) # 輸出 $100 11 print([next(corner_street_atm) for _ in range(5)]) # 輸出 ['$100', '$100', '$100', '$100', '$100'] 12 13 hsbc.crisis = True 14 print(next(corner_street_atm)) # 輸出 StopIteration
這裡我們模擬了一個ATM機，在銀行沒有危機時，你可以不斷取錢，但一旦危機來了，ATM機就會停止工作，即使是新的ATM機也不能再取錢了。
itertools模組
最後，給大家介紹一個非常有用的模組——itertools。這個模組包含了很多操作可迭代物件的特殊函式。如果你曾經希望複製一個生成器、連線兩個生成器、用一行程式碼將值分組到巢狀列表中，或者在不建立另一個列表的情況下使用map和zip，那麼就應該匯入itertools。
舉個例子，我們看看四匹馬比賽的可能到達順序：
import itertools horses = [1, 2, 3, 4] races = itertools.permutations(horses) print(list(itertools.permutations(horses)))
輸出：
[(1, 2, 3, 4), (1, 2, 4, 3), (1, 3, 2, 4), (1, 3, 4, 2), (1, 4, 2, 3), (1, 4, 3, 2), (2, 1, 3, 4), (2, 1, 4, 3), (2, 3, 1, 4), (2, 3, 4, 1), (2, 4, 1, 3), (2, 4, 3, 1), (3, 1, 2, 4), (3, 1, 4, 2), (3, 2, 1, 4), (3, 2, 4, 1), (3, 4, 1, 2), (3, 4, 2, 1), (4, 1, 2, 3), (4, 1, 3, 2), (4, 2, 1, 3), (4, 2, 3, 1), (4, 3, 1, 2), (4, 3, 2, 1)]
itertools模組簡直是Python程式設計師的好夥伴，可以讓你在處理迭代物件時如虎添翼。
總結
yield是Python中一個強大的工具，它可以幫助你以一種高效的方式處理大量資料。理解yield的工作原理對於掌握Python程式設計至關重要。
在大資料時代，處理海量資料已成為常態。生成器作為一種高效的資料處理方式，因其優越的記憶體管理能力，受到了越來越多開發者的青睞。無論是日誌處理、資料流分析，還是實時資料處理，生成器都展現了不可替代的價值。
透過對yield的詳解，我們不僅理解了它的基本概念和用法，還認識到它在高效資料處理中的重要性。掌握yield，將為你的Python程式設計之旅增添一把利器。
