共计 5868 个字符，预计需要花费 15 分钟才能阅读完成。
这是 stackoverflow 上一个关于 python 中 yield 用法的帖子，这里翻译自投票最高的一个回答，原文链接 here
问题
Python 中 yield 关键字的用途是什么？它有什么作用？例如，我试图理解以下代码 ¹：
def _get_child_candidates(self, distance, min_dist, max_dist):
if self._leftchild and distance – max_dist < self._median:
yield self._leftchild
if self._rightchild and distance + max_dist >= self._median:
yield self._rightchild
这是调用者(caller)：
result, candidates = [], [self]
while candidates:
node = candidates.pop()
distance = node._get_dist(obj)
if distance <= max_dist and distance >= min_dist:
result.extend(node._values)
candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))
return result
当调用方法_get_child_candidates 时会发生什么？返回了一个列表(list)？还是返回了一个元素？然后被重复调用了吗？调用何时结束？
¹：代码来自 Jochen Schulz (jrschulz), who made a great Python library for metric spaces. 这是完整源代码的链接：Module mspace.
回答
要想理解 yield 的作用，你必须了解什么是生成器(generators)，在这之前，我们先来看可迭代对象(iterables)。
可迭代对象 (iterables)
当你创建了一个列表，你可以遍历这个列表读取它的每一个元素，逐个读取列表元素称为迭代(iteration)。
>>> mylist = [1, 2, 3]
>>> for i in mylist:
… print(i)
1
2
3
mylist 就是一个可迭代对象 (iterable)。当你使用列表生成式(list comprehension) 创建一个列表(list)，即创建了一个可迭代对象。
>>> mylist = [x*x for x in range(3)]
>>> for i in mylist:
… print(i)
0
1
4
可以使用 for… in… 的所有对象都是可迭代对象：列表(lists)、字符串、文件 … 这些可迭代对象使用很方便，因为你可以根据需要如你所愿的读取其中的元素。但是，当你有大量数据时把所有值都存储在内存中，这样往往不是你想要的(but you store all the values in memory and this is not always what you want when you have a lot of values.)。
生成器 (Generators)
生成器是迭代器(iterators)，但是只能迭代一次，生成器不会将所有值存储在内存中，而是实时的生成这些值：
>>> mygenerator = (x*x for x in range(3))
>>> for i in mygenerator:
… print(i)
0
1
4
看上去除了用 () 替换了原来的 [] 外，它们没什么不同。但是，你不可以再次使用 for i in mygenerator，因为生成器只能被迭代一次：计算出 0，然后并不保存结果和状态继续计算出 1，最后计算出 4，逐一生成。
yield
yield 是一个类似 return 的关键字，不同的是这个函数将返回一个生成器。
>>> def createGenerator():
… mylist = range(3)
… for i in mylist:
… yield i*i
…
>>> mygenerator = createGenerator() # create a generator
>>> print(mygenerator) # mygenerator is an object!
<generator object createGenerator at 0xb7555c34>
>>> for i in mygenerator:
… print(i)
0
1
4
这个例子没有什么实际作用。但是当你知道你的函数将返回大量你只需要读取一次的值时，使用生成器是一个有效的做法。要掌握 yeild，你必须要知道当你调用这个函数时，你在函数体中编写的代码并没有立马执行。该函数仅仅返回一个生成器对象，这有点棘手 :-)
然后，你的代码将从 for 循环每次使用生成器停止的位置继续执行。
现在到了关键部分：
for 第一次调用从函数创建的生成器对象，函数将从头开始执行直到遇到 yeild，然后返回 yield 后的值作为第一次迭代的返回值。接下来每次调用都会再次执行你在函数中定义的循环，并返回 (return) 下一个值，直到没有值可以返回(return)。
当循环结束，或者不满足 if/else 条件，导致函数运行但不会执行(not hit)yeild，此时生成器被认为是空的。
问题代码的解释 (Your code explained)
生成器 (Generator):
# Here you create the method of the node object that will return the generator
def _get_child_candidates(self, distance, min_dist, max_dist):
# Here is the code that will be called each time you use the generator object:
# If there is still a child of the node object on its left
# AND if distance is ok, return the next child
if self._leftchild and distance – max_dist < self._median:
yield self._leftchild
# If there is still a child of the node object on its right
# AND if distance is ok, return the next child
if self._rightchild and distance + max_dist >= self._median:
yield self._rightchild
# If the function arrives here, the generator will be considered empty
# there is no more than two values: the left and the right children
调用者 (Caller)：
# Create an empty list and a list with the current object reference
result, candidates = list(), [self]
# Loop on candidates (they contain only one element at the beginning)
while candidates:
# Get the last candidate and remove it from the list
node = candidates.pop()
# Get the distance between obj and the candidate
distance = node._get_dist(obj)
# If distance is ok, then you can fill the result
if distance <= max_dist and distance >= min_dist:
result.extend(node._values)
# Add the children of the candidate in the candidates list
# so the loop will keep running until it will have looked
# at all the children of the children of the children, etc. of the candidate
candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))
return result
这段代码包含几个高明的部分：
这个循环对列表进行迭代，但是迭代中列表还在不断扩展 :-) 这是一种遍历嵌套数据的简明方法，即使这样有些危险，因为你可能会陷入死循环中。在这个例子中，candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))穷尽了生成器产生的所有值，但 while 不断的创建新的生成器对象加入到列表，因为每个对象作用在不同节点上，所以每个生成器都将生成不同的值。
extend()是一个列表 (list) 对象的方法，作用于可迭代对象(iterable)，并将其值添加到列表里。
通常，通常我们将列表作为参数传递给它：
>>> a = [1, 2]
>>> b = [3, 4]
>>> a.extend(b)
>>> print(a)
[1, 2, 3, 4]
但是在你的代码里它接收到的是一个生成器(generator)，这很好，因为：
你不必重复读取这些值
你可以有很多子对象，但不需要将它们都存储在内存里。
它很有效，因为 Python 不关心一个方法的参数是否是列表，Python 只希望他是一个可迭代对象，所以这个参数可以是列表，元组，字符串和生成器！这就是所谓的 duck typing，这也是 Python 为何如此酷的原因之一，但这已经是另外一个问题了 ……
你可以在这里停下，来看一些生成器的高级用法：
控制生成器的穷尽 (Controlling a generator exhaustion)
>>> class Bank(): # Let’s create a bank, building ATMs
… crisis = False
… def create_atm(self):
… while not self.crisis:
… yield “$100”
>>> hsbc = Bank() # When everything’s ok the ATM gives you as much as you want
>>> corner_street_atm = hsbc.create_atm()
>>> print(corner_street_atm.next())
$100
>>> print(corner_street_atm.next())
$100
>>> print([corner_street_atm.next() for cash in range(5)])
[‘$100’, ‘$100’, ‘$100’, ‘$100’, ‘$100’]
>>> hsbc.crisis = True # Crisis is coming, no more money!
>>> print(corner_street_atm.next())
<type ‘exceptions.StopIteration’>
>>> wall_street_atm = hsbc.create_atm() # It’s even true for new ATMs
>>> print(wall_street_atm.next())
<type ‘exceptions.StopIteration’>
>>> hsbc.crisis = False # The trouble is, even post-crisis the ATM remains empty
>>> print(corner_street_atm.next())
<type ‘exceptions.StopIteration’>
>>> brand_new_atm = hsbc.create_atm() # Build a new one to get back in business
>>> for cash in brand_new_atm:
… print cash
$100
$100
$100
$100
$100
$100
$100
$100
$100
…
注意，对于 Python 3，请使用 print(corner_street_atm.__next__()) 或者 print(next(corner_street_atm))
这在很多场景都非常有用，例如控制资源的获取。
Itertools，你最好的朋友 (Itertools, your best friend)
itertools 模块包含很多处理可迭代对象的特殊方法。曾经想要复制一个生成器吗？连接两个生成器？用一行代码将嵌套列表中的值进行分组？不创建另一个列表进行 Map/Zip？
只需要 import itertools
需要一个例子？让我们来看看 4 匹马赛跑到达终点先后顺序的所有可能情况：
>>> horses = [1, 2, 3, 4]
>>> races = itertools.permutations(horses)
>>> print(races)
<itertools.permutations object at 0xb754f1dc>
>>> print(list(itertools.permutations(horses)))
[(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)]
了解迭代的内部机制 (Understanding the inner mechanisms of iteration)
迭代是一个实现可迭代对象 (实现的是 __iter__() 方法) 和迭代器 (实现的是 __next__() 方法) 的过程。你可以获取一个迭代器的任何对象都是可迭代对象，迭代器可以让你迭代遍历一个可迭代对象(Iterators are objects that let you iterate on iterables.) .
在这篇文章中有关于 for 循环如何工作的更多信息：here
