python生成器靠yield暂停并交出值，调用返回生成器对象而非执行逻辑；yield保留状态，支持多次迭代；for循环最安全，生成器仅遍历一次；yield from委托子生成器；生成器表达式轻量但调试困难。
生成器函数里用 yield 而不是 return
Python 生成器的核心机制就是靠 yield 暂停并交出一个值，而不是一次性算完所有结果。一旦函数体中出现 yield，这个函数就变成生成器函数，调用它返回的是生成器对象，不是直接执行逻辑。
常见错误是写成普通函数 + return 列表，比如想“生成前1000个斐波那契数”，却写成 return [fib(i) for i in range(1000)]——这会立刻分配内存、全部算完，完全没惰性。
-
yield后函数暂停，状态（局部变量、执行位置）被保留；下次调用__next__()或next()时从中断处继续 - 生成器函数可以有多个
yield，也可以没有（此时等价于空生成器），但不能混用return带值（return无值或仅用于提前退出） - 不要在生成器里做耗时 IO 或阻塞操作并指望“惰性”能掩盖性能问题——惰性只管不提前计算，不负责异步或并发
用 next() 或 for 循环触发迭代
生成器对象本身不自动运行，必须显式取值才会执行到下一个 yield。最常见方式是 for 循环，它内部隐式调用 next() 并捕获 StopIteration 异常。
容易踩的坑是误以为“创建生成器就等于开始计算”：比如 gen = my_range(1000000) 这行代码几乎不花时间，真正开始执行是在第一次 next(gen) 或进入 for 循环时。
立即学习“Python免费学习笔记（深入）”；
本文档主要讲述的是Matlab语言的特点；Matlab具有用法简单、灵活、程式结构性强、延展性好等优点，已经逐渐成为科技计算、视图交互系统和程序中的首选语言工具。特别是它在线性代数、数理统计、自动控制、数字信号处理、动态系统仿真等方面表现突出，已经成为科研工作人员和工程技术人员进行科学研究和生产实践的有利武器。希望本文档会给有需要的朋友带来帮助；感兴趣的朋友可以过来看看
- 手动调用
next(gen)可以精确控制节奏，但要注意抛出StopIteration时需处理 -
for循环最安全，自动处理结束，适合绝大多数场景 - 避免反复调用
list(gen)多次——生成器只能遍历一次，第二次会得到空列表
yield from 委托子生成器时注意嵌套层级
当需要把多个生成器串起来，或者从可迭代对象（如列表、文件行）逐个产出值时，yield from 比手动写循环更简洁，且保持了委托方的异常传播和返回值传递能力。
典型错误是混淆 yield from 和 yield：比如想“产出每个子列表的元素”，却写成 yield sub_list（产出整个列表），而不是 yield from sub_list（产出每个元素）。
-
yield from iter等价于for x in iter: yield x，但性能更好，且支持send()、throw()等协程操作 - 如果
iter是普通列表或字符串，yield from会逐项产出；如果是另一个生成器，就形成链式惰性调用 - 不要对非可迭代对象用
yield from，否则报TypeError: 'int' object is not iterable
生成器表达式比函数更轻量，但适用场景有限
类似列表推导式但用圆括号写的 (x*2 for x in range(10)) 是生成器表达式，语法糖，本质是匿名生成器函数。它比等价的 def 函数更紧凑，但没法加复杂逻辑或状态管理。
容易忽略的是它的作用域行为：生成器表达式中的变量绑定发生在创建时，不是执行时。比如在循环里创建多个生成器，都可能共享最后一个循环变量的值。
- 适合简单变换、过滤，例如
(line.strip() for line in f if line.strip()) - 不适合需要初始化状态、异常处理、或多次重用的场景——这时该写生成器函数
- 调试困难：生成器表达式无法设断点，也不显示源码位置，出错时堆栈信息不如函数清晰
