要了解yield的作用，您必须了解生成器是什么。 在了解生成器之前，您必须了解iterables。
迭代器
创建列表时，您可以逐个读取其项目。 逐个读取其项称为迭代:
>>> mylist = [1, 2, 3]
>>> for i in mylist:
... print(i)
1
2
3
mylist是一个可迭代的。 当您使用列表理解时，您创建了一个列表，因此一个可迭代的：
>>> mylist = [x*x for x in range(3)]
>>> for i in mylist:
... print(i)
0
1
4
您可以使用"for... in..."的所有内容都是可迭代的;lists，strings，文件。..
这些iterables很方便，因为您可以随心所欲地读取它们，但是您将所有值存储在内存中，当您有很多值时，这并不总是您想要的。
发电机
生成器是迭代器，一种可迭代的你只能迭代一次。 生成器不会将所有值存储在内存中，它们会动态生成值:
>>> mygenerator = (x*x for x in range(3))
>>> for i in mygenerator:
... print(i)
0
1
4
除了你使用()而不是[]之外，它是一样的。 但是，您不能第二次执行for i in mygenerator，因为生成器只能使用一次：它们计算0，然后忘记它并计算1，并结束计算4，一个接一个。
产量
yield是一个像return一样使用的关键字，除了函数将返回一个生成器。
>>> def create_generator():
... mylist = range(3)
... for i in mylist:
... yield i*i
...
>>> mygenerator = create_generator() # create a generator
>>> print(mygenerator) # mygenerator is an object!
<generator object create_generator at 0xb7555c34>
>>> for i in mygenerator:
... print(i)
0
1
4
这里是一个无用的例子，但是当你知道你的函数将返回一组巨大的值时，它很方便，你只需要读取一次。
要掌握yield，您必须了解当您调用函数时，您在函数体中编写的代码不会运行。函数只返回生成器对象，这有点棘手。
然后，您的代码将从每次for使用生成器时停止的位置继续。
现在最难的部分:
当for第一次调用从你的函数创建的生成器对象时，它将从一开始就在你的函数中运行代码，直到它点击yield，然后它将返回循环的第一个值。 然后，每个后续调用都将运行您在函数中编写的循环的另一个迭代，并返回下一个值。 这将继续下去，直到生成器被认为是空的，这发生在函数运行而没有击中yield时。 这可能是因为循环已经结束，或者因为你不再满足an"if/else"。
你的代码解释
发生器：
# Here you create the method of the node object that will return the generator
def _get_child_candidates(self, distance, min_dist, max_dist):
# Here is the code that will be called each time you use the generator object:
# If there is still a child of the node object on its left
# AND if the distance is ok, return the next child
if self._leftchild and distance - max_dist < self._median:
yield self._leftchild
# If there is still a child of the node object on its right
# AND if the distance is ok, return the next child
if self._rightchild and distance + max_dist >= self._median:
yield self._rightchild
# If the function arrives here, the generator will be considered empty
# there is no more than two values: the left and the right children
调用者：
# Create an empty list and a list with the current object reference
result, candidates = list(), [self]
# Loop on candidates (they contain only one element at the beginning)
while candidates:
# Get the last candidate and remove it from the list
node = candidates.pop()
# Get the distance between obj and the candidate
distance = node._get_dist(obj)
# If distance is ok, then you can fill the result
if distance <= max_dist and distance >= min_dist:
result.extend(node._values)
# Add the children of the candidate in the candidate's list
# so the loop will keep running until it will have looked
# at all the children of the children of the children, etc. of the candidate
candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))
return result
此代码包含几个智能部分:
循环在列表上迭代，但在循环迭代时列表会扩展。 这是一种简洁的方式来遍历所有这些嵌套数据，即使它有点危险，因为你最终可能会有一个无限循环。 在这种情况下，candidates.extend(node._get_child_candidates(distance, min_dist, max_dist))耗尽了生成器的所有值，但是while不断创建新的生成器对象，这些对象将产生与以前的值不同的值，因为它不在同一个节点上应用。
extend()方法是一个列表对象方法，它期望一个可迭代的，并将其值添加到列表中。
通常我们会传递一个列表给它:
>>> a = [1, 2]
>>> b = [3, 4]
>>> a.extend(b)
>>> print(a)
[1, 2, 3, 4]
但是在你的代码中，它得到了一个生成器，这很好，因为:
- 您不需要读取两次值。
- 你可能有很多孩子，你不希望他们都存储在内存中。
它的工作原理是因为Python不关心方法的参数是否是列表。 Python需要迭代器，因此它将与字符串、列表、元组和生成器一起工作！ 这被称为duck typing，也是Python如此酷的原因之一。 但这是另一个故事，另一个问题。..
你可以在这里停下来，或者读一点，看看生成器的高级使用:
控制发电机耗尽
>>> class Bank(): # Let's create a bank, building ATMs
... crisis = False
... def create_atm(self):
... while not self.crisis:
... yield "$100"
>>> hsbc = Bank() # When everything's ok the ATM gives you as much as you want
>>> corner_street_atm = hsbc.create_atm()
>>> print(corner_street_atm.next())
$100
>>> print(corner_street_atm.next())
$100
>>> print([corner_street_atm.next() for cash in range(5)])
['$100', '$100', '$100', '$100', '$100']
>>> hsbc.crisis = True # Crisis is coming, no more money!
>>> print(corner_street_atm.next())
<type 'exceptions.StopIteration'>
>>> wall_street_atm = hsbc.create_atm() # It's even true for new ATMs
>>> print(wall_street_atm.next())
<type 'exceptions.StopIteration'>
>>> hsbc.crisis = False # The trouble is, even post-crisis the ATM remains empty
>>> print(corner_street_atm.next())
<type 'exceptions.StopIteration'>
>>> brand_new_atm = hsbc.create_atm() # Build a new one to get back in business
>>> for cash in brand_new_atm:
... print cash
$100
$100
$100
$100
$100
$100
$100
$100
$100
...
注意：对于Python3，使用print(corner_street_atm.__next__())或print(next(corner_street_atm))
它对于控制对资源的访问等各种事情都很有用。
Itertools，你最好的朋友
itertools模块包含用于操作iterables的特殊函数。 曾经想复制一个发电机吗?
链两个发电机？ 在一个单行嵌套列表中分组值? Map / Zip不创建另一个列表？
那么就import itertools。
一个例子？ 让我们来看看四匹马比赛的可能到达顺序:
>>> horses = [1, 2, 3, 4]
>>> races = itertools.permutations(horses)
>>> print(races)
<itertools.permutations object at 0xb754f1dc>
>>> print(list(itertools.permutations(horses)))
[(1, 2, 3, 4),
(1, 2, 4, 3),
(1, 3, 2, 4),
(1, 3, 4, 2),
(1, 4, 2, 3),
(1, 4, 3, 2),
(2, 1, 3, 4),
(2, 1, 4, 3),
(2, 3, 1, 4),
(2, 3, 4, 1),
(2, 4, 1, 3),
(2, 4, 3, 1),
(3, 1, 2, 4),
(3, 1, 4, 2),
(3, 2, 1, 4),
(3, 2, 4, 1),
(3, 4, 1, 2),
(3, 4, 2, 1),
(4, 1, 2, 3),
(4, 1, 3, 2),
(4, 2, 1, 3),
(4, 2, 3, 1),
(4, 3, 1, 2),
(4, 3, 2, 1)]
理解迭代的内在机制
迭代是一个隐含iterables（实现__iter__()方法）和iterators（实现__next__()方法）的过程。
Iterables是您可以从中获取迭代器的任何对象。 迭代器是允许您迭代可迭代对象的对象。
在这篇文章中有更多关于for循环如何工作的内容。
理解的捷径
yield当你看到一个带有
yield语句的函数时，应用这个简单的技巧来理解会发生什么：result = []。yield expr替换为result.append(expr)。return result。yield语句！ 阅读并找出代码。这个技巧可能会让你了解函数背后的逻辑，但是
yield实际发生的事情与基于列表的方法有很大的不同。 在许多情况下，yield方法的内存效率更高，速度也更快。 在其他情况下，这个技巧会让你陷入无限循环，即使原始函数工作得很好。 继续阅读以了解更多。..不要混淆你的迭代器，迭代器和生成器
首先，迭代器协议-当你写
Python执行以下两个步骤:
获取
mylist的迭代器：Call
iter(mylist)->这返回一个带有next()方法（或Python3中的__next__()）的对象。[这是大多数人忘记告诉你的步骤]
使用迭代器循环遍历项:
在从步骤1返回的迭代器上继续调用
next()方法。 来自next()的返回值被分配给x并执行循环体。 如果从next()内引发异常next()，则意味着迭代器中没有更多值并且退出循环。事实是Python在想要循环对象的内容时执行上述两个步骤-因此它可能是for循环，但也可能是像
otherlist.extend(mylist)这样的代码（其中otherlist是Python列表）。这里
mylist是一个可迭代的，因为它实现了迭代器协议。 在用户定义的类中，您可以实现__iter__()方法以使类的实例可迭代。 此方法应返回一个迭代器。 迭代器是具有next()方法的对象。 可以在同一个类上实现__iter__()和next()，并具有__iter__()returnself。 这将适用于简单的情况，但当您希望两个迭代器在同一时间循环相同的对象时则不行。这就是迭代器协议，很多对象都实现了这个协议:
__iter__()的用户定义类。请注意，一个
for循环不知道它正在处理什么样的对象-它只是遵循迭代器协议，并且很乐意在它调用next()时获得一个又一个的项目。 内置列表一个接一个地返回它们的项目，字典一个接一个地返回键，文件一个接一个地返回行等等。 发电机返回。.. 这就是yield的用武之地：而不是
yield语句，如果在f123()中有三个f123()语句，只有第一个语句会被执行，并且函数将退出。 但f123()不是普通的功能。 当f123()被调用时，它不会返回yield语句中的任何值！ 它返回一个生成器对象。 此外，该函数并没有真正退出-它进入暂停状态。 当for循环试图在生成器对象上循环时，函数在它先前返回的yield之后的下一行从其暂停状态恢复，执行下一行代码，在这种情况下，是一个yield语句，并将其作为下一项返回。 这种情况发生在函数退出之前，此时生成器引发next()，循环退出。所以generator对象有点像一个适配器-在一端它展示了迭代器协议，通过公开
__iter__()和next()方法来保持for循环的快乐。 然而，在另一端，它运行函数足以从中获取下一个值，并将其放回挂起模式。为什么要使用发电机？
通常，您可以编写不使用生成器但实现相同逻辑的代码。 一种选择是使用我之前提到的临时列表'技巧'。 这在所有情况下都不起作用，例如，如果你有无限循环，或者当你有一个非常长的列表时，它可能会使内存使用效率低下。 另一种方法是实现一个新的可迭代类SomethingIter，它保持实例成员中的状态，并在它的
next()（或Python3中的__next__()）方法中执行下一个逻辑步骤。 根据逻辑，next()方法中的代码最终可能看起来非常复杂并且容易出现错误。 在这里，发电机提供了一个干净和简单的解决方案。