概述
所说高级特性包括切片、迭代、列表生成式、迭代器、生成器。
切片
Python学习一(基础)中列表和元组的基本操作已经介绍，但如果要取得list或tuple的指定位置的部分元素。Python提供了切片(Slice)操作符。
列表L：L = ['Michael', 'Sarah', 'Tracy', 'Bob', 'Jack']
取前三个元素：
L[0:3]
['Michael', 'Sarah', 'Tracy']
L[0:3]表示从索引0开始，直到索引3为止但不包括3。
如果第一个索引是0，可以省略L[:3]。如果什么都不写L[:]就可以原样复制一个list。
同样，索引可以是负数：
>>> L[-2:]
['Bob', 'Jack']
>>> L[-2:-1]
['Bob']
还可以实现每隔n个元素取一个元素的操作：
>>> L = list(range(100))
>>> L
[0, 1, 2, 3, ..., 99]
#前十个元素每两个取一个
>>> L[:10:2]
[0, 2, 4, 6, 8]
tuple也是一种list，因此tuple也可以用切边操作，但结果依然是tuple。
字符串也可以看成是一种list，每个字符一是一个元素。
>>> 'ABCDEFG'[:3]
'ABC'
>>> 'ABCDEFG'[::2]
'ACEG'
迭代
如果给定一个list或tuple，我们可以通过for循环来遍历这个list或tuple，这种遍历我们称为迭代（Iteration）。
在Python中，迭代是通过for ... in来完成的.
>>> d = {'a', 2, 'c'}
>>> for x in d:
... print(x)
...
'a'
2
'c'
如果需要同时获得元素的下标可以使用enumerate函数
>>> for i, value in enumerate(['A', 'B', 'C']):
... print(i, value)
...
0 A
1 B
2 C
Python的for循环不仅可以用在list或tuple上，还可以作用在其他可迭代对象上.
>>> d = {'a': 1, 'b': 2, 'c': 3}
>>> for key in d:
... print(key)
...
a
c
b
默认情况下，dict迭代的是key。如果要迭代value，可以用for value in d.values()，如果要同时迭代key和value，可以用for k, v in d.items()。
>>> d = {'a': 1, 'b': 2, 'c': 3}
>>> for k,v in d.items():
... print(k:v)
...
a:1
b:2
c:3
判断一个对象是可迭代对象是通过collections模块的Iterable类型判断：
>>> from collections import Iterable
>>> isinstance('abc', Iterable) # str是否可迭代
True
>>> isinstance([1,2,3], Iterable) # list是否可迭代
True
>>> isinstance(123, Iterable) # 整数是否可迭代
False
列表生成式
有列表[0,1,2,3,4,5,6,7,8,9]，需求是把列表中每个元素都加一。
可以用for循环：
a = [1,3,4,6,7,7,8,9,11]
for index,i in enumerate(a):
a[index] +=1
print(a)
但是可以用列表生成式更简洁的实现：
>>> [x +1 for x in a]
[1,2,3,4,5,6,7,8,9,10]
写列表生成式时将生成的元素x+1放在前面，for循环放在后边，用[]括起来。
也可以使用两层循环：
>>> [m + n for m in 'ABC' for n in 'XYZ']
['AX', 'AY', 'AZ', 'BX', 'BY', 'BZ', 'CX', 'CY', 'CZ']
利用列表生成式可以快速生成list，可以通过一个list推导出另一个list。
生成器
通过列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。
所以，如果列表元素可以按照某种算法推算出来，那我们可以在循环的过程中不断推算出后续的元素。这样就不必创建完整的list，从而节省大量的空间。在Python中，这种一边循环一边计算的机制，称为生成器（generator）。
要创建一个generator，有很多种方法。第一种方法很简单，只要把一个列表生成式的[]改成()，就创建了一个generator：
>>> L = [x +1 for x in range(10)]
>>> L
[1, 2, 3, 4, 5, 6, 6, 8, 9, 10]
>>> g = (x * x for x in range(10))
>>> g
at 0x1022ef630>
创建L和g的区别仅在于最外层的[]和()，L是一个list，而g是一个generator。
一个一个打印出生成器的元素用 next()函数
>>> next(g)
1
>>> next(g)
2
>>> next(g)
3
>>> next(g)
4
>>> next(g)
5
>>> next(g)
6
>>> next(g)
7
>>> next(g)
8
>>> next(g)
9
>>> next(g)
10
>>> next(g)
Traceback (most recent call last):
File "", line 1, in
StopIteration
generator保存的是算法，每次调用next(g)，就计算出g的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的错误.
我们创建了一个generator后，基本上永远不会调用next()，而是通过for循环来迭代它，并且不需要关心StopIteration的错误。
>>> g = (x * x for x in range(10))
>>> for n in g:
... print(n)
...
0
1
4
9
16
25
36
49
64
81
如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现，例如著名的斐波拉契数列，除第一个和第二个数外，任意一个数都可由前两个数相加得到：1，1，2，3，5，8，13，21，34.....
def fib(max):
n, a, b = 0, 0, 1
while n < max:
print(b)
a, b = b, a + b
n = n + 1
return 'done'
>>> fib(6)
1
1
2
3
5
8
'done'
要把fib函数变成generator，只需要把print(b)改为yield b就可以了：
def fib(max):
n, a, b = 0, 0, 1
while n < max:
yield b
a, b = b, a + b
n = n + 1
return 'done'
这就是定义generator的另一种方法。如果一个函数定义中包含yield关键字，那么这个函数就不再是一个普通函数，而是一个generator：
>> f = fib(6)
>>> f
generator和函数的执行流程不一样。函数是顺序执行，遇到return语句或者最后一行函数语句就返回。而变成generator的函数，在每次调用next()的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句处继续执行。
迭代器
我们已经知道，可以直接作用于for循环的数据类型有以下几种：
一类是集合数据类型，如list、tuple、dict、set、str等；
一类是generator，包括生成器和带yield的generator function。
这些可以直接作用于for循环的对象统称为可迭代对象：Iterable。
可以使用isinstance()判断一个对象是否是Iterable对象。
而生成器不但可以作用于for循环，还可以被next()函数不断调用并返回下一个值，直到最后抛出StopIteration错误表示无法继续返回下一个值了。
可以被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator。
可以使用isinstance()判断一个对象是否是Iterator对象：
>>> from collections import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True
>>> isinstance([], Iterator)
False
>>> isinstance({}, Iterator)
False
>>> isinstance('abc', Iterator)
False
生成器都是Iterator对象，但list、dict、str虽然是Iterable，却不是Iterator。
把list、dict、str等Iterable变成Iterator可以使用iter()函数：
>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter('abc'), Iterator)
True
你可能会问，为什么list、dict、str等数据类型不是Iterator？
这是因为Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration错误。可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，所以Iterator的计算是惰性的，只有在需要返回下一个数据时它才会计算。
Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。