Python 中的惰性求值

在本教程中，我们将学习 Python 中的惰性求值，并讨论 Python 为我们优化了多少代码。我们还将学习如何编写惰性函数/类。

惰性求值是一种将表达式的计算推迟到实际需要其值时的技术。当计算表达式的值非常耗时，并且该值可能仅在某些情况下需要时，它会非常有用。这是一种优化代码的策略。例如 - 我们有一个简单的表达式 sum=2+3; Python 会理解该表达式并得到结果 sum = 5; 这个计算过程称为求值。在这种情况下，求值会立即进行；我们也可以称之为严格求值。

另一方面，非严格求值也称为惰性求值。主要区别在于惰性求值不会立即计算表达式，而是在我们需要结果时计算。例如 - 一个懒惰的学生只会在需要提交作业时才完成作业。

然而，在编程中，懒惰并非坏事。它可以提高代码效率，节省大量资源。Python 的许多内置方法都支持惰性求值，这可以优化代码。即使您不知道惰性求值的概念，您也很可能熟悉其中许多方法。

惰性求值函数

让我们来看看 Python 中惰性求值的函数。

• range()

Python 通常会立即计算表达式，但在某些情况下，惰性求值可以用于优化代码和提高性能。例如，请考虑以下代码片段 - 您预计它需要多长时间才能执行？

给定的代码片段在 Python 中创建了一个列表，这会导致列表中的所有元素立即被计算。即使只需要一小部分元素，这也会导致更长的执行时间。换句话说，Python 在这种情况下不使用惰性求值，这会影响性能。使用惰性求值技术可以提高性能和优化代码。

Python3 允许使用 range() 函数以更节省内存和时间的方式遍历列表。在 Python2 中，range(5) 会返回一个包含 5 个元素的列表。随着列表大小的增加，会使用更多内存。

示例 -

然而，range(5) 返回一个 range 类型，这个对象可以被迭代以生成一系列数字。使用 range() 的一个关键好处是，无论范围大小如何，结果对象的大小都保持不变。

这是因为 range() 实际上并不在内存中存储所有整数。相反，它只存储开始、停止和步长值，并在需要时计算序列中的每个整数。这种方法有时被称为惰性求值或按需计算。

迭代器和生成器是 Python 中相关的概念，但它们之间存在一些重要的区别。总的来说，迭代器比生成器更通用的概念，可以被认为是一个生成一系列值的对象。

在 Python 中，迭代器是一个实现 __next__() 和 __iter__() 方法的对象。__next__() 方法返回序列中的下一个值，而 __iter__() 返回迭代器对象本身。当迭代器耗尽且不再生成值时，它会引发 StopIteration 异常。

另一方面，生成器是使用函数创建的一种特定类型的迭代器。生成器函数看起来像一个普通函数，但它使用 yield 关键字而不是 return 来返回值。每次遇到 yield 关键字时，函数都会返回当前值并保存其状态，以便稍后从该点恢复。

生成器是内存高效且计算高效地生成值序列的强大工具。通过使用惰性求值并在需要时生成值，生成器可以在不占用大量内存的情况下处理非常大的数据序列。

• zip()

zip() 方法合并两个可迭代对象并返回元组序列。让我们看下面的例子。

示例 -

• open()

open() 方法用于正常打开文件。它不会读取整个文件并将其存储在内存中，而是返回一个可迭代的文件对象。它可以读取大量内存中的大文件。

示例 -

• Lambda 表达式

x = map(lambda x:x*2, [1, 2, 3, 4, 5]) 不占用任何内存空间。但是当我们执行 list(x) 时，它会打印所有值并占用内存空间。

map 对象也是一个惰性对象，可以被迭代。计算 x*2 只会在每次循环中对 1 个项目进行。当你执行 list(x) 时，你基本上是一次性计算所有值。如果你只想迭代 map 对象，你不必执行 list(x)。

示例 -

如何编写惰性求值函数/类

正如我们已经讨论过的，惰性求值的一个主要部分就是生成器。我们可以将函数写成生成器。

惰性函数 - 生成器

结论

本教程包括了惰性求值的基础概念及其工作原理。惰性求值可以成为优化代码和提高性能的强大技术，但它并非总是必要或合适的。在代码中实现惰性求值之前，仔细权衡取舍和潜在的好处非常重要。