您可能听说过，带有 yield 的函数在 Python 中被称之为 generator（生成器），何谓 generator ？
我们先抛开 generator，以一个常见的编程题目来展示 yield 的概念。
如何产生斐波拉契数列?
斐波那契数列（Fibonacci sequence），又称黄金分割数列、因数学家列昂纳多·斐波那契（Leonardoda Fibonacci）以兔子繁殖为例子而引入，故又称为“兔子数列”，指的是这样一个数列：1、1、2、3、5、8、13、21、34、……在数学上，斐波纳契数列以如下被以递归的方法定义：F(0)=1，F(1)=1, F(n)=F(n-1)+F(n-2)（n>=2，n∈N*）
许多初学者都可以写出下面的函数：
方法一：
1 # 生成斐波那契数列前n个元素 2 def fab(n): 3 i = 0 4 a, b = 0, 1 5 while i < n: 6 print(a) 7 a, b = b, a + b 8 i += 1
执行 fab(6) 得出前6个元素：
0 1 1 2 3 5
结果没有问题，但函数的返回值为None，别的函数无法获取结果，复用性很差，
要提高 fab 函数的可复用性，最好不要直接打印出数列，而是返回一个 List。以下是 fab 函数改写后的第二个版本：
方法二：
1 # 生成斐波那契数列前n个元素,以list返回 2 def fab(n): 3 i = 0 4 a, b = 0, 1 5 list_fab = [] 6 while i < n: 7 # print(a) 8 list_fab.append(a) 9 a, b = b, a + b 10 i += 1 11 12 return list_fab
可以使用如下方式打印出 fab 函数返回的 List：
1 for item in fab(6): 2 print(item)
改写后的 fab 函数通过返回 List 能满足复用性的要求，但是更有经验的开发者会指出，该函数在运行中占用的内存会随着参数 n的增大而增大，如果要控制内存占用，最好不要用 List，来保存中间结果，而该通过 iterable 对象来迭代，这时yield就派上用场了。
第三个版本的 fab 和第一版相比，仅仅把 print b 改为了 yield b，就在保持简洁性的同时获得了 iterable 的效果。
方法三：
1 # 使用 yield替代print 2 def fab(n): 3 i = 0 4 a, b = 0, 1 5 while i < n: 6 # print(a) 7 yield a 8 a, b = b, a + b 9 i += 1
简单地讲，yield 的作用就是把一个函数变成一个 generator，带有 yield 的函数不再是一个普通函数，Python 解释器会将其视为一个 generator，调用 fab(6) 不会执行 fab 函数，而是返回一个 iterable 对象！在 for 循环执行时，每次循环都会执行 fab 函数内部的代码，执行到 yield a 时，fab 函数就返回一个迭代值，下次迭代时，代码从 yield a 的下一条语句继续执行，而函数的本地变量看起来和上次中断执行前是完全一样的，于是函数继续执行，直到再次遇到 yield。
for item in fab(6):
print(item)
也可以手动调用 fab(6) 的 next() 方法（因为 fab(6) 是一个 generator 对象，该对象具有 next() 方法），这样我们就可以更清楚地看到 fab 的执行流程：
1 f = fab(6) 2 print(next(f)) 3 print(next(f)) 4 print(next(f)) 5 print(next(f)) 6 print(next(f)) 7 print(next(f)) 8 print(next(f))
当函数执行结束时，generator 自动抛出 StopIteration 异常，表示迭代完成。在 for 循环里，无需处理 StopIteration 异常，循环会正常结束。
我们可以得出以下结论：
一个带有 yield 的函数就是一个 generator，它和普通函数不同，生成一个 generator 看起来像函数调用，但不会执行任何函数代码，直到对其调用 next()（在 for 循环中会自动调用 next()）才开始执行。虽然执行流程仍按函数的流程执行，但每执行到一个 yield 语句就会中断，并返回一个迭代值，下次执行时从 yield 的下一个语句继续执行。看起来就好像一个函数在正常执行的过程中被 yield 中断了数次，每次中断都会通过 yield 返回当前的迭代值。
如果想实现一个自定义方法，与range()类似，我们可以用生成器来定义它，下面是一个生成范围内浮点数的生成器：
1 def f_range(start, stop, step): 2 f = start 3 while f < stop: 4 yield f 5 f += step
使用这个函数，我们可以用for循环迭代它：
1 for item in f_range(0, 4, 0.5): 2 print(item)
1 0 2 0.5 3 1.0 4 1.5 5 2.0 6 2.5 7 3.0 8 3.5
或者使用其他接受可迭代对象的方法(内置函数 def sum(iterable, start=None): , list(iterable) )：
1 print("sum:", sum(f_range(0, 4, 0.5)))
2 print("list:", list(f_range(0, 4, 0.5)))
探讨：
一个函数中需要有一个yield 语句即可将其转换为一个生成器。跟普通函数不同
的是，生成器只能用于迭代操作。
跟普通函数不同的是，生成器只能用于迭代操作。下面是一个实验，向你展示这样的函数底层工作机
制：
1 >>> def countdown(n):
2 ... while n > 0 :
3 ... print("before yield")
4 ... yield n
5 ... print("after yield")
6 ... n -= 1
7 ...
8 >>> iter_c = countdown(3) # Create the generator, notice no output appears
9 >>> print(iter_c, type(iter_c))
10 <generator object countdown at 0x033D0198> <class 'generator'>
11 >>> next(iter_c) # Run to first yield and emit a value, but doesn't print "after yield"
12 before yield
13 3
14 >>> next(iter_c) # Run to next yield
15 after yield
16 before yield
17 2
18 >>> next(iter_c) # Run to next yield
19 after yield
20 before yield
21 1
22 >>> next(iter_c) # Run to next yield (iteration stops)
23 after yield
24 Traceback (most recent call last):
25 File "<input>", line 1, in <module>
26 StopIteration
一个生成器函数主要特征是它只会回应在迭代中使用到的next 操作。一旦生成器
函数返回退出，迭代终止。我们在迭代中通常使用的for 语句会自动处理这些细节，所
以你无需担心。
反向迭代：
很多程序员并不知道可以通过在自定义类上实现reversed () 方法来实现反向迭代。比如：
1 class CountDown(object): 2 def __init__(self, start): 3 self.__start = start 4 5 def __iter__(self): # Forward iterator 6 n = self.__start 7 while n >= 0: 8 yield n 9 n -= 1 10 11 def __reversed__(self): # Reverse iterator 12 n = 0 13 while n <= self.__start: 14 yield n 15 n += 1 16 17 c1 = CountDown(5) 18 for item in c1: 19 print(item) 20 21 for item in reversed(CountDown(5)): 22 print(item)
定义一个反向迭代器可以使得代码非常的高效，因为它不再需要将数据填充到一个
列表中然后再去反向迭代这个列表。
在迭代器一文中 我们使用Node类表示树形数据结构，我们要实现深度优先方式遍历树的节点的方法，下面是示例代码：
1 class Node(object):
2 def __init__(self, value):
3 self.__value = value
4 self.__children = []
5
6 def add_child(self, node):
7 self.__children.append(node)
8
9 def set_value(self, value):
10 self.__value = value
11
12 def get_value(self):
13 return self.__value
14
15 def __repr__(self):
16 return 'Node({v})'.format(v = self.__value)
17
18 def __iter__(self):
19 return iter(self.__children)
20
21 def depth_first(self):
22 yield self
23 for child in self: # Invokes self.__iter__()
24 yield from child.depth_first() # 将yield from视为提供了一个调用者和子生成器之间的透明的双向通道。包括从子生成器获取数据以及向子生成器传送数据。
# Example
root = Node(10)
n2 = Node(20)
n3 = Node(30)
root.add_child(n2)
root.add_child(n3)
n2.add_child(Node(40))
n2.add_child((Node(50)))
n3.add_child((Node(60)))
for chi in root.depth_first():
print(chi)
先序遍历过程：
所以最后的输出是：Node(10) Node(20) Node(40) Node(50) Node(30) Node(60)
迭代器切片：
函数itertools.islice() 正好适用于在迭代器和生成器上做切片操作
def count(n):
while True:
yield n
n += 1
it_c = count(0)
it_c[10, 20]
#Output:
#it_c[10, 20]
#TypeError: 'generator' object is not subscriptable
#Use islice
from itertools import islice
for i in islice(count(1), 10, 20):
print(i)
探讨：迭代器和生成器不能使用标准的切片操作，因为它们的长度事先我们并不知道(并且也没有实现索引)。函数islice() 返回一个可以生成指定元素的迭代器，它通过遍历并丢弃
直到切片开始索引位置的所有元素。然后才开始一个个的返回元素，并直到切片结束索引位置。这里要着重强调的一点是islice() 会消耗掉传入的迭代器中的数据。必须考虑到迭代器是不可逆的这个事实。所以如果你需要之后再次访问这个迭代器的话，那你就得先将它里面的数据放入一个列表中。
#Note:本文参考另外一篇博文
原文链接：http://www.ibm.com/developerworks/cn/opensource/os-cn-python-yield/
来源：https://www.cnblogs.com/z-joshua/p/6368606.html