最后我們發(fā)現(xiàn)結(jié)果是一樣的：

nums = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
list(better_grouper(nums, 2))

Out: [(1, 2), (3, 4), (5, 6), (7, 8), (9, 10)]

但是，這里我做了測(cè)試，發(fā)現(xiàn)二者的消耗內(nèi)存是天壤之別，而且在使用iter+zip()的組合后，執(zhí)行速度快了500倍以上，大家感興趣可以自己測(cè)試，把 nums 改成 xrange(100000000) 即可

現(xiàn)在讓我們回顧一下剛剛寫好的better_grouper(lst, n) 方法，不難發(fā)現(xiàn)，這個(gè)方法存在一個(gè)明顯的缺陷：如果我們傳遞的n不能被lst的長度整除，執(zhí)行時(shí)就會(huì)出現(xiàn)明顯的問題：

>>> nums = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
>>> list(better_grouper(nums, 4))
[(1, 2, 3, 4), (5, 6, 7, 8)]

我們發(fā)現(xiàn)分組輸出中缺少元素9和10。發(fā)生這種情況是因?yàn)橐坏﹤鬟f給它的最短的迭代次數(shù)耗盡，zip（）就會(huì)停止聚合元素。而我們想要的是不丟失任何元素。因此解決辦法是我們可以使用 itertools.zip_longest（） 它可以接受任意數(shù)量的 iterables 和 fillvalue 這個(gè)關(guān)鍵字參數(shù)，默認(rèn)為None。我們先看一個(gè)簡(jiǎn)單實(shí)例

>>> import itertools as it
>>> x = [1, 2, 3, 4, 5]
>>> y = ["a", "b", "c"]

>>> list(zip(x, y))                     # zip總是執(zhí)行完最短迭代次數(shù)停止
[(1, "a"), (2, "b"), (3, "c")]

>>> list(it.zip_longest(x, y))          
[(1, "a"), (2, "b"), (3, "c"), (4, None), (5, None)]

這個(gè)例子已經(jīng)非常清晰的體現(xiàn)了zip（）和 zip_longest()的區(qū)別，現(xiàn)在我們可以優(yōu)化 better_grouper 方法了：

import itertools as it


def grouper(lst, n, fillvalue=None):
    iters = [iter(lst)] * n
    return it.zip_longest(*iters, fillvalue=fillvalue)  #  默認(rèn)就是None
    

我們?cè)賮砜磧?yōu)化后的測(cè)試：

>>> nums = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
>>> print(list(grouper(nums, 4)))
[(1, 2, 3, 4), (5, 6, 7, 8), (9, 10, None, None)]

已經(jīng)非常理想了，各位老鐵們可能還沒有意識(shí)到，我們剛剛所做的一切就是創(chuàng)建itertools 里面grouper方法的全過程！

現(xiàn)在讓我們看看真正的 官方文檔 里面所寫的grouper方法：

和我們寫的基本一樣，除了可以接受多個(gè)iterable 參數(shù)，用了*args

最后心滿意足的直接調(diào)用一下：

輸出結(jié)果如下：

首先基礎(chǔ)概念掃盲，所謂暴力求解是算法中的一種，簡(jiǎn)單來說就是 利用枚舉所有的情況，或者其它大量運(yùn)算又不用技巧的方式，來求解問題的方法。
我在看過暴力算法的廣義概念后，首先想到的居然是盜墓筆記中的王胖子

如果有看過盜墓筆記朋友，你會(huì)發(fā)現(xiàn)王胖子其實(shí)是一個(gè)推崇暴力求解的人，在無數(shù)次遇到困境時(shí)祭出的”枚舉法“，就是暴力求解，例如我印象最深的是云頂天宮中，一行人被困在全是珠寶的密室中無法逃脫，王胖子通過枚舉排除所有可能性，直接得到”身邊有鬼“ 的最終解。
PS: 此處致敬南派三叔，和那些他填不上的坑

扯遠(yuǎn)了，回到現(xiàn)實(shí)中來，我們經(jīng)常會(huì)碰到如下的經(jīng)典題目：

你有三張20美元的鈔票，五張10美元的鈔票，兩張5美元的鈔票和五張1美元的鈔票。可以通過多少種方式得到100美元？

為了暴力破解這個(gè)問題，我們只要把所有組合的可能性羅列出來，然后找出100美元的組合即可，首先，讓我們創(chuàng)建一個(gè)list，包含我們手上所有的美元：

bills = [20, 20, 20, 10, 10, 10, 10, 10, 5, 5, 1, 1, 1, 1, 1]

這里itertools會(huì)幫到我們。 itertools.combinations（） 接受兩個(gè)參數(shù)

一個(gè)可迭代的input

正整數(shù)n

最終會(huì)在 input中 n 個(gè)元素的所有組合的元組上產(chǎn)生一個(gè)迭代器。

import  itertools as it

bills = [20, 20, 20, 10, 10, 10, 10, 10, 5, 5, 1, 1, 1, 1, 1]

result =list(it.combinations(bills, 3))
print(len(result))  # 455種組合
print(result)

Out: 455
     [(20, 20, 20), (20, 20, 10), (20, 20, 10), ... ]

我僅剩的高中數(shù)學(xué)知識(shí)告訴我其實(shí)這個(gè)就是一個(gè)概率里面的 C 15(下標(biāo))，3(上標(biāo))問題，好了，現(xiàn)在我們擁有了各種組合，那么我們只需要在各種組合里選取總數(shù)等于100的，問題就解決了：

makes_100 = []
for n in range(1, len(bills) + 1):
    for combination in it.combinations(bills, n):
        if sum(combination) == 100:
            makes_100.append(combination)

這樣得到的結(jié)果是包含重復(fù)組合的，我們可以在最后直接用一個(gè)set過濾掉重復(fù)值，最終得到答案：

import  itertools as it

bills = [20, 20, 20, 10, 10, 10, 10, 10, 5, 5, 1, 1, 1, 1, 1]

makes_100 = []
for n in range(1, len(bills) + 1):
    for combination in it.combinations(bills, n):
        if sum(combination) == 100:
            makes_100.append(combination)

print(set(makes_100))

Out：{(20, 20, 10, 10, 10, 10, 10, 5, 1, 1, 1, 1, 1),
      (20, 20, 10, 10, 10, 10, 10, 5, 5),
     (20, 20, 20, 10, 10, 10, 5, 1, 1, 1, 1, 1),
     (20, 20, 20, 10, 10, 10, 5, 5),
     (20, 20, 20, 10, 10, 10, 10)}
     

所以最后我們發(fā)現(xiàn)一共有5種方式。 現(xiàn)在讓我們把題目換一種問法，就完全不一樣了：

現(xiàn)在要把100美元的鈔票換成零錢，你可以使用任意數(shù)量的50美元，20美元，10美元，5美元和1美元鈔票，有多少種方法？

在這種情況下，我們沒有預(yù)先設(shè)定的鈔票數(shù)量，因此我們需要一種方法來使用任意數(shù)量的鈔票生成所有可能的組合。為此，我們需要用到itertools.combinations_with_replacement（）函數(shù)。

它就像combination（）一樣，接受可迭代的輸入input 和正整數(shù)n，并從輸入返回有n個(gè)元組的迭代器。不同之處在于combination_with_replacement（）允許元素在它返回的元組中重復(fù)，看一個(gè)小栗子：

>>> list(it.combinations_with_replacement([1, 2], 2))   #自己和自己的組合也可以
[(1, 1), (1, 2), (2, 2)]

對(duì)比 itertools.combinations（）：

>>> list(it.combinations([1, 2], 2))   #不允許自己和自己的組合
[(1, 2)]

所以針對(duì)新問題，解法如下：

bills = [50, 20, 10, 5, 1]
make_100 = []
for n in range(1, 101):
    for combination in it.combinations_with_replacement(bills, n):
        if sum(combination) == 100:
            makes_100.append(combination)

最后的結(jié)果我們不需要去重，因?yàn)檫@個(gè)方法不會(huì)產(chǎn)生重復(fù)組合：

>>> len(makes_100)
343

如果你親自運(yùn)行一下，可能會(huì)注意到輸出需要一段時(shí)間。那是因?yàn)樗仨毺幚?6,560,645種組合！這里我們就在執(zhí)行暴力求解

另一個(gè)“暴力” 的itertools函數(shù)是permutations（），它接受單個(gè)iterable并產(chǎn)生其元素的所有可能的排列（重新排列）：

>>> list(it.permutations(["a", "b", "c"]))
[("a", "b", "c"), ("a", "c", "b"), ("b", "a", "c"),
 ("b", "c", "a"), ("c", "a", "b"), ("c", "b", "a")]

任何三個(gè)元素的可迭代對(duì)象（比如list）將有六個(gè)排列，并且較長迭代的對(duì)象排列數(shù)量增長得非?？?。實(shí)際上，長度為n的可迭代對(duì)象有n！排列：

只有少數(shù)輸入產(chǎn)生大量結(jié)果的現(xiàn)象稱為組合爆炸，在使用combination（），combinations_with_replacement（）和permutations（）時(shí)我們需要牢記這一點(diǎn)。

說實(shí)話，通常最好避免暴力算法，但有時(shí)我們可能必須使用（比如算法的正確性至關(guān)重要，或者必須考慮每個(gè)可能的結(jié)果）

由于篇幅有限，我先分享到這里，這篇文章我們主要深入理解了以下函數(shù)的基本原理：

map（）

zip（）

itertools.combinations

itertools.combinations_with_replacement

itertools.permutations

在下一篇文章我會(huì)先對(duì)最后三個(gè)進(jìn)行總結(jié)，然后繼續(xù)和大家分享itertools里面各種神奇的東西