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。
>>> isinstance([], Iterable) True >>> isinstance(range(1),Iterable) Truerange() 函数可创建一个整数列表，一般用在 for 循环中。
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： 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。
对于list、string、tuple、dict等这些容器对象,使用for循环遍历是很方便的。在后台for语句对容器对象调用iter()函数。iter()是python内置函数。 iter()函数会返回一个定义了next()方法的迭代器对象，它在容器中逐个访问容器内的元素。next()也是python内置函数。在没有后续元素时，next()会抛出一个StopIteration异常，通知for语句循环结束。
迭代器是用来帮助我们记录每次迭代访问到的位置，当我们对迭代器使用next()函数的时候，迭代器会向我们返回它所记录位置的下一个位置的数据。实际上，在使用next()函数的时候，调用的就是迭代器对象的_next_方法（Python3中是对象的_next_方法，Python2中是对象的next()方法）。所以，我们要想构造一个迭代器，就要实现它的_next_方法。但这还不够，python要求迭代器本身也是可迭代的，所以我们还要为迭代器实现_iter_方法，而_iter_方法要返回一个迭代器，迭代器自身正是一个迭代器，所以迭代器的_iter_方法返回自身self即可。
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。
首先，生成器的好处是延迟计算，一次返回一个结果。也就是说，它不会一次生成所有的结果，这对于大数据量处理，将会非常有用。
除了延迟计算（减少内存使用），生成器还能有效调高代码可读性。
生成器的唯一注意事项是：生成器只能遍历一次。
凡是可作用于for循环的对象都是Iterable类型；
凡是可作用于next()函数的对象都是Iterator类型，它们表示一个惰性计算的序列；
集合数据类型如list、dict、str等是Iterable但不是Iterator，不过可以通过iter()函数获得一个Iterator对象。
Python的for循环本质上就是通过不断调用next()函数实现的。
高阶函数：一个函数可以作为参数传给另外一个函数，或者一个函数的返回值为另外一个函数（若返回值为该函数本身，则为递归），满足其一则为高阶函数。
实例1（参数为函数）：
def bar(): print('in the bar') def foo(func): func() print('in the foo...') foo(bar) """ in the bar in the foo... """实例2（返回值为函数）
def bar(): print("in the bar...") def foo(func): print("in the foo") return func res = foo(bar) res() """ in the foo in the bar... """map()函数接收两个参数，一个是函数，一个是Iterable。
例子1：
def f(x): return x * x r = map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9]) print(list(r)) # [1, 4, 9, 16, 25, 36, 49, 64, 81]例子2：
print(list(map(str, [1, 2, 3, 4, 5, 6, 7, 8, 9]))) # ['1', '2', '3', '4', '5', '6', '7', '8', '9']例子3：加入生成器表达式
def f(x): return x * x r = map(f, (x for x in range(1, 10))) print(list(r)) # [1, 4, 9, 16, 25, 36, 49, 64, 81]filter函数也是接收一个函数和一个序列的高阶函数，其主要功能是过滤。其返回值是迭代器对象。
names = ["Alex", "amanda", "xiaowu"] #filter函数机制 def filter_test(func, iter): names_1 = [] for i in iter: if func(i): #传入的func函数其结果必须为bool值，才有意义 names_1.append(i) return names_1 #filter_test函数 print(filter_test(lambda x: x.islower(), names)) #filter函数 print(list(filter(lambda x: x.islower(), names)))reduce：把一个函数作用在一个序列[x1, x2, x3, …]上，这个函数必须接收两个参数，reduce把结果继续和序列的下一个元素做累积计算，其效果就是：
reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2), x3), x4)例子1：
from functools import reduce def add(x, y): return x + y print(reduce(add, [1, 3, 5, 7, 9])) #25例子2(计算阶乘):
from functools import reduce def fact(n): return reduce(lambda a, b: a*b, range(1, n+1)) print(5) #120附例子2： 这里使用到了一个包operator
from functools import reduce from operator import mul def fac1(n): return reduce(mul, range(1, n+1))点进去，我们发现这个包里有很多的方法；
例子3（字符串转化为数字）：
from functools import reduce DIGITS = {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7, '8': 8, '9': 9} def str2int(s): def fn(x, y): return x * 10 + y def char2num(s): return DIGITS[s] return reduce(fn, map(char2num, s)) print(str2int('123')) # 123例子4（使用lambda函数修改一下例子3）：
from functools import reduce DIGITS = {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7, '8': 8, '9': 9} def char2num(s): return DIGITS[s] def str2int(s): return reduce(lambda x, y: x * 10 + y, map(char2num, s)) print(str2int('123'))例子5（把字符串’123.456’转换成浮点数123.456）：
from functools import reduce def str2float(s): def fn(x,y): return x*10+y n=s.index('.') s1=list(map(int,[x for x in s[:n]])) s2=list(map(int,[x for x in s[n+1:]])) return reduce(fn,s1)+reduce(fn,s2)/10**len(s2)（1）https://www.zhihu.com/question/20829330（如何更好地理解Python迭代器和生成器？）
