生成器也是迭代器，但是它不仅仅是迭代器，拥有next方法并且行为和迭代器完全相同。所以生成器也可以用于python的循环中，
生成器如何使用？
首先看一个例子：
复制代码 代码如下:
#!/usr/bin/python
# -*- coding: utf-8 -*-
def flatten(nested):
for sublist in nested:
for element in sublist:
yield element
nested = [[1,2],[3,4],[5,6]]
for num in flatten(nested):
print num,
结果为1，2，3，4，5，6
递归生成器：
复制代码 代码如下:
#!/usr/bin/python
# -*- coding: utf-8 -*-
def flatten(nested):
try:
for sublist in nested:
for element in flatten(sublist):
yield element
except TypeError:
yield nested
for num in flatten([[1,2,3],2,4,[5,[6],7]]):
print num
结果为：1 2 3 2 4 5 6 7
让我们一起来看看生成器的本质
首先看下：
复制代码 代码如下:
#!/usr/bin/python
# -*- coding: utf-8 -*-
def simple_generator():
yield 1
print simple_generator
def repeater(value):
while True:
new = (yield value)
if new is not None: value = new
r = repeater(42)
print r.next()
print r.send('hello,world!')
结果为：
复制代码 代码如下:
<function simple_generator at 0x10c76f6e0>
42
hello,world!
可以看出：
1）生成器就是一函数
2）生成器具有next方法
3）生成器可以使用send 方法和外界交互。
Python批量处理excel数据（含完整代码）pandas库可以有效的处理excel、csv和txt文件，并能多格式将数据重新保存为excel、csv和txt文件。
1
1
一、导入数据
利用pandas库中的read函数可以将excel文件读入，转化为 DataFrame格式
import pandas as pd
path = "D:\text.xlsx" ##文件路径
data = pd.read_excel(path,sheet_name = 0) ##若包含多个子表，可以用sheet_name参参数进行选择
若excel表中不包含列名信息可以在读入时，利用names参数进行指定
data = pd.read_excel(path,names=["id","name","date"])
对于csv文件可以使用pd.read_csv函数进行数据导入
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
二、空表创建
当输出表格和输入表格的格式不一致时，我们可以通过创建空表来解决问题，新的DataFrame表格的数据可以为空，但是必须设置列名，也就是表头
##利用list创建表头
header = ["name","date"，"a","b"]
##创建空表
outData = pd.DataFrame(columns=header)
1
2
3
4
5
6
7
1
2
3
4
5
6
7
三、数据增删查改
1.数据查改
利用loc和iloc函数可以对DataFrame 数据表中的数据进行查改，loc使用行名和列名进行调用，iloc使用行列索引进行调用
propoLoc = data.loc["index", "proportion"]
propoIloc = data.loc[0, 0]
data.iloc[:, 5:] = data.iloc[:, 5:].astype(int) ##利用索引可以对数据进行批量处理，此句指令用于将表格第五列至最后一列的格式转化为整型int
2.数据增删
利用drop函数可以删除指定行列，利用loc或insert函数可以增加列，loc用来增加行
data.drop(index=[0], inplace=True) ##删除行名为0的行
data.drop(columns=[0], inplace=True，axis=1) ##删除列名为0的列
data.loc[str(csvName)] = rowData ##增加行名为csvName的行，注意rowData要保证和data的列数一致
data.loc[:,str(csvName)] = 0 ##增加列名为csvName的列，用0填充该列
data.insert(data.shape[1], 'd', 0) ##在data.shape[1]处增加列，并用0填充
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
四、批量处理
首先利用os库对文件夹进行遍历，获得所有的excel文件
import os
excelNames = os.listdir(rootPath) ##获得所有的文件名
for excelName in excelNames:
##对每个文件进行处理
1
2
3
4
5
6
7
1
2
3
4
5
6
7
五、常用的数据处理方法
1.字符串分割 str.split(",") 用逗号进行分割，并创建一个list进行存储
2.str.endswith("hello") 判断字符串的后缀
1
2
1
2
六、表格存储
1.单表存储：将一个sheet放入到一个excel中
saveFile = rootPath+"test.xlsx" ##指定保存文件，注意反复保存时，excel不要打开，否则无法写入
rootData.to_excel(saveFile,index=False) ##保存指定，并不保存行名
2.多表存储：将多个sheet放入到一个excel中
with pd.ExcelWriter('./dataOut.xlsx') as writer:
DFa.to_excel(writer, sheet_name="表1")
DFb.to_excel(writer, sheet_name="表2")
DFc.to_excel(writer, sheet_name="表3")
writer.save()
writer.close()
批量表格处理完整代码：将多张表的信息进行汇总
import os
import pandas as pd
rootPath = "C:\test\"
def createOutCsv(path):
data = pd.read_excel(path, names=["column1", "column2", "column3"])
data.drop(index=[0], inplace=True)
header = ["name"] ###创建表头
for index in data.index: ##利用data中的所有column1创建表头
column = data.loc[index,"name"].split(".")[-1]
header.append(column
