生成器通过惰性求值避免内存预分配，仅在next()调用时计算并交出一个值，内存占用远低于列表（如百万整数列表占28mb，生成器仅约120字节）。
直接用生成器替代返回列表，核心就一条：避免一次性把所有数据塞进内存。你写 return [x for x in data] 的那一刻，Python 就开始分配连续内存块、构造每个对象、维护引用计数——哪怕你后续只取前 3 个元素，它也照单全收。而生成器不预分配、不缓存、不打包，只在 next() 调用时算一个、交一个、忘一个。
生成器对象本身几乎不占内存
一个包含百万级整数的列表，在 CPython 中实际占用约 28MB（每个 int 对象平均 28 字节）；而对应的生成器对象，sys.getsizeof(gen) 返回通常不到 120 字节。这不是“省一点”，是量级差两个数量级。
-
gen = (x * 2 for x in range(10**6))—— 创建瞬间完成，内存无波动 -
lst = [x * 2 for x in range(10**6)]—— 立即触发内存分配，可能触发 GC 或 OOM - 生成器对象内部只保存执行帧（
frame）、指令指针（f_lasti）和状态标记（gi_suspended），没有数据容器
yield 语句不是 return 的变体，而是协作式暂停点
很多人误以为 yield 是“能多次 return”，其实它根本不是返回值，而是让出控制权并冻结当前栈帧。下次调用 next() 时，解释器直接跳回 yield 下一行继续执行，变量值、循环状态、上下文全都在。
- 函数体里写
yield x，等于告诉解释器：“现在暂停，把 x 交出去，等下次要的时候我接着这儿干” - 没有
yield的函数，哪怕带return，也做不到状态保持；有yield就自动获得__iter__和__next__，符合迭代器协议 - 错误地在生成器里混用
return value（非空返回）会引发SyntaxError: 'return' with argument inside generator
生成器表达式比生成器函数更轻量，但灵活性受限
当你只需要简单映射或过滤，用括号包起来的生成器表达式（(x for x in data if condition)）比定义函数更快启动、更少开销；但一旦逻辑变复杂（比如需要状态变量、异常处理、嵌套循环），就得切回生成器函数。
-
sum(x * x for x in range(10**7))—— 安全，内存恒定在 KB 级 -
sum([x * x for x in range(10**7)])—— 极大概率 OOM，且多一次遍历构造列表 - 生成器表达式不能加文档字符串、不能被调试器断点捕获、不能重用（只能迭代一次）
真正容易被忽略的点是：生成器不是“慢一点但省内存”的折中方案，它是对“数据流”这一本质的诚实建模。你处理日志、读大文件、接实时 API 流，本来就不是在操作“一个完整的集合”，而是在响应“下一个事件”。硬塞成列表，等于先造一座桥再拆掉——既费料，又耽误过河。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
