Python 函数和生成器之间的差异？

我复习了这个问题，但它被标记为重复。所以我在这里发布我的答案版本

原来的问题是：

我在寻找正常函数和生成器之间的确切区别。我已经在谷歌上搜索过了。但所有的结果都相当混乱。我是一个初学者，所以我期待一些简短而准确的例子

我试过了，但没用

---

我已经讲过了，但这纯粹是关于生成器的，函数和生成器之间没有什么区别。我需要一些帮助吗？

原则上，生成器的惰性计算是内存有效的

生成器非常类似于返回数组的函数，因为生成器具有参数，可以调用，并生成一系列值。但是，生成器

不是构建包含所有值的数组并一次返回所有值，而是一次生成一个值，这需要更少的内存，并允许调用方立即开始处理前几个值

简而言之，生成器看起来像一个
函数
，但其行为类似于一个
迭代器

from itertools import count

itertools
提供
count
以生成无限的整数流。您可以给出start和step来告诉生成的流的start和step值。我将在下面的示例中使用它

for i in count(start=0, step=1):    
    print i

一个生成偶数列表的简单示例

生成并返回一个列表：

def find_even_number_function(number_stream):
    even_number = []
    for n in number_stream:
        if n % 2 == 0:
            even_number.append(n)
    return even_number

for i in find_even_number_function(count()):
    print i

代码非常简单明了，但是它在内存中构建了完整的列表。在我们的例子中，这显然是不可接受的，因为我们无法在内存中保留所有无限整数。正如你所看到的，这个功能永远不会停止。在这种情况下，我们将使用发电机

生成
项而不是返回列表的生成器

def find_even_number_generator(number_stream):
    for n in number_stream:
        if n % 2 == 0:
            yield n

for i in find_even_number_generator(count()):
    print i

请注意，数字生成逻辑的表达清晰自然。它与在内存中构建列表的实现非常相似，但具有迭代器实现的内存使用特性

使用生成器所带来的性能改进是延迟（按需）生成值的结果，这将降低内存使用率。此外，我们不需要等到所有元素都生成之后才开始使用它们。这类似于迭代器提供的好处，但生成器使构建迭代器变得简单

因此，简单地说，如果您对上述情况使用正常函数，您将耗尽内存。或者，如果使用生成器功能，则时间将用完