《深入 Python 可迭代世界：三种方式手写斐波那契数列（类、生成器、itertools）全解析》
在我这些年教授 Python 的过程中，有一个经典问题几乎从未缺席过课堂与面试——如何实现一个可迭代的斐波那契数列？
它看似简单，却能从多个维度考察一个 Python 开发者对：
- 迭代器协议
- 生成器机制
- 惰性计算
- itertools 工具链
- 代码风格与可维护性
的理解程度。
更重要的是，它能帮助你真正理解 Python “让数据流动起来”的哲学。
今天，我们就从基础到进阶，带你用三种方式手写一个可迭代的 Fibonacci：
- 基于类的迭代器实现
- 基于生成器的实现
- 基于 itertools 的函数式实现
并结合实战经验，分析每种方式的适用场景、优缺点与最佳实践。
一、开篇：为什么是斐波那契？为什么是可迭代？
Python 的发展史是一部“简洁优雅”的进化史。从 Guido 在 1989 年圣诞节写下第一行 Python 代码，到如今成为 Web、数据科学、AI、自动化的主流语言，它的核心理念始终未变：
让复杂的事情变简单，让简单的事情变优雅。
而“可迭代”正是 Python 世界中最优雅的抽象之一。
- 你可以遍历一个列表
- 你可以遍历一个文件
- 你可以遍历一个无限序列（如 Fibonacci）
- 你可以遍历一个网络流、数据库游标、实时数据管道
可迭代对象是 Python 数据流的基础设施。
而 Fibonacci 则是最适合作为示例的序列：
- 简单易懂
- 具备数学美感
- 可以无限生成
- 适合展示惰性计算
- 适合展示迭代器协议与生成器协议
所以，这篇文章不仅仅是“写 Fibonacci”，而是带你真正理解 Python 的迭代哲学。
二、基础回顾：迭代器协议与生成器协议
在进入代码之前，我们先快速回顾两个核心概念。
1. 迭代器协议（Iterator Protocol）
只要一个对象实现了：
__iter__()__next__()
它就是一个迭代器。
classIterator:def__iter__(self):returnselfdef__next__(self):...2. 生成器协议（Generator Protocol）
带yield的函数会自动生成一个实现了：
__iter__()__next__()send()throw()close()
的生成器对象。
生成器是 Python 最优雅的状态机。
三、第一种写法：基于类的迭代器（最原始、最底层、最能体现协议本质）
这是最“正统”的写法，也是面试中最能体现你对迭代器协议理解程度的方式。
1. 代码实现
classFibonacci:def__init__(self,max_count=None):self.a=0self.b=1self.count=0self.max_count=max_count# 可选：限制生成数量def__iter__(self):returnselfdef__next__(self):ifself.max_countisnotNoneandself.count>=self.max_count:raiseStopIteration value=self.a self.a,self.b=self.b,self.a+self.b self.count+=1returnvalue2. 使用方式
forninFibonacci(10):print(n)输出：
0 1 1 2 3 5 8 13 21 343. 优点
- 完整体现迭代器协议
- 可自定义状态、限制、缓存等逻辑
- 适合构建复杂迭代器类
4. 缺点
- 代码冗长
- 手动维护状态容易出错
- 不够 Pythonic
5. 适用场景
- 面试
- 需要构建复杂迭代器类
- 需要可复用、可扩展的对象
四、第二种写法：基于生成器（最 Pythonic、最常用、最优雅）
生成器是 Python 的灵魂之一。
只需要一个yield，你就能写出一个可迭代的 Fibonacci。
1. 代码实现
deffibonacci(max_count=None):a,b=0,1count=0whilemax_countisNoneorcount<max_count:yielda a,b=b,a+b count+=12. 使用方式
forninfibonacci(10):print(n)3. 优点
- 代码最简洁
- 自动维护状态
- 惰性计算
- 可无限生成
4. 缺点
- 不适合复杂状态机
- 不如类迭代器可扩展
5. 适用场景
- 90% 的实际项目
- 数据流处理
- pipeline 设计
- 惰性计算
五、第三种写法：基于 itertools（函数式、组合式、最强大）
itertools是 Python 中最强大的函数式工具库之一。
我们可以用它构建一个无限 Fibonacci 序列。
1. 使用 itertools.count + accumulate
importitertoolsdeffibonacci():a,b=0,1whileTrue:yielda a,b=b,a+b但这只是生成器写法。
我们来点更“itertools 风格”的。
2. 使用 itertools.accumulate（更函数式）
importitertoolsimportoperatordeffibonacci():returnitertools.accumulate(itertools.repeat(1),lambdax,_:(x[1],x[0]+x[1]),initial=(0,1))但这个版本返回的是(a, b)元组，我们需要取第一个值：
deffibonacci():fora,binitertools.accumulate(itertools.repeat(1),lambdax,_:(x[1],x[0]+x[1]),initial=(0,1)):yielda3. 使用方式
fib=fibonacci()for_inrange(10):print(next(fib))4. 优点
- 完全惰性
- 可组合、可复用
- 适合函数式编程风格
- 与 pipeline 完美结合
5. 缺点
- 可读性较差
- 不适合初学者
6. 适用场景
- 高性能数据流处理
- pipeline 组合
- 需要与 itertools 生态结合
六、三种方式对比总结
| 写法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 类迭代器 | 完整体现协议、可扩展 | 代码冗长 | 面试、复杂状态机 |
| 生成器 | 最简洁、最 Pythonic | 扩展性一般 | 90% 项目、数据流 |
| itertools | 高性能、可组合 | 可读性差 | pipeline、函数式编程 |
七、实战：构建一个 Fibonacci 数据处理 pipeline
假设我们要：
- 生成 Fibonacci 序列
- 过滤出偶数
- 取前 10 个
- 求平方
我们可以用生成器 pipeline：
deffibonacci():a,b=0,1whileTrue:yielda a,b=b,a+bdefeven_filter(seq):forninseq:ifn%2==0:yieldndefsquare(seq):forninseq:yieldn*ndeftake(seq,n):fori,vinenumerate(seq):ifi>=n:breakyieldv pipeline=take(square(even_filter(fibonacci())),10)print(list(pipeline))输出：
[0, 4, 64, 1156, 20736, ...]这就是 Python 惰性数据流的魅力。
八、最佳实践：如何选择合适的实现方式？
1. 如果你在写教程或面试题：用类迭代器
能展示你对协议的理解。
2. 如果你在写实际项目：用生成器
最简洁、最优雅、最易维护。
3. 如果你在写数据处理 pipeline：用 itertools
性能最佳、组合性最强。
九、前沿视角：可迭代思想在现代 Python 中的延伸
Python 的可迭代思想已经渗透到：
- asyncio（异步迭代器）
- FastAPI（流式响应）
- Pandas（迭代行）
- PyTorch（数据加载器 DataLoader）
- 生成器协程（PEP 380）
- async generator（PEP 525）
未来，随着数据规模不断扩大，惰性计算与可迭代数据流将变得更加重要。
十、总结与互动
今天，我们从基础到进阶，完整解析了：
- Python 的迭代器协议与生成器协议
- 三种方式手写 Fibonacci
- 各自的优缺点与适用场景
- 如何构建数据流 pipeline
- 可迭代思想在现代 Python 中的延伸
我很想听听你的想法：
- 你更喜欢哪种 Fibonacci 写法？
- 你在项目中是否用过生成器或 itertools？
- 想不想让我写一篇《深入 itertools：构建高性能数据流处理框架》？
欢迎留言，我们一起把 Python 玩得更深入、更优雅。
如果你愿意，我也可以继续写：
- 迭代器协议的底层实现
- yield from 与 await 的关系
- 如何用生成器构建协程系统
随时告诉我，我很乐意继续陪你探索 Python 的世界。
