本文解析 Python 中嵌套生成器表达式的执行逻辑，重点说明变量 n 的延迟绑定特性如何导致最终输出为 [20, 21, 22, 23]，帮助理解生成器的惰性求值本质。
本文解析 python 中嵌套生成器表达式的执行逻辑，重点说明变量 `n` 的延迟绑定特性如何导致最终输出为 `[20, 21, 22, 23]`，帮助理解生成器的惰性求值本质。
在 Python 中，生成器表达式（如 (add(n, i) for i in g)）具有惰性求值（lazy evaluation） 特性：除迭代器对象本身的构造外，内部表达式（尤其是涉及外部变量的部分）并不会立即执行，而是在实际调用 next()（例如被 list() 消费时）才逐个求值。
我们来逐步拆解示例代码：
def add(n, i):
return n + i
def test():
for i in range(4):
yield i # 生成器：依次产出 0, 1, 2, 3
g = test() # g 是第一个生成器：→ 0, 1, 2, 3此时 g 是一个可迭代的生成器对象，尚未产生任何值。
接着执行循环：
立即学习“Python免费学习笔记（深入）”；
for n in [1, 10]:
g = (add(n, i) for i in g)注意关键点：
✅ 每次赋值 g = (...) 都创建一个新的生成器对象；
✅ 生成器表达式中的 n 不在此刻求值，而是形成一个对当前作用域中变量 n 的后期绑定引用（late binding）；
❌ i in g 中的 g 是前一轮的生成器，但 add(n, i) 中的 n 并未“快照”保存——它始终指向循环结束时 n 的最终值。
因此：
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
- 第一次循环（
n = 1）：g变为生成器 G₁ =(add(1, i) for i in g₀)，其中g₀是原始test()生成器； - 第二次循环（
n = 10）：g变为生成器 G₂ =(add(10, i) for i in G₁)；
此时G₁内部仍引用着n=10（因为n已被重新赋值），即G₁实际等价于(add(10, i) for i in g₀)—— 这是延迟绑定的核心体现。
最终 g 是 G₂，其展开逻辑为：
G₂ → add(10, i₁), add(10, i₂), ... 其中每个 iₖ 来自 G₁ → add(10, jₖ)，jₖ 来自 g₀ → 0,1,2,3 ⇒ 最终：add(10, add(10, 0)) = 20, add(10, add(10, 1)) = 21, ...
完整链式计算如下： | 原始值 j | 经 G₁（+10） | 经 G₂（+10） | |----------|--------------|--------------| | 0 | 10 | 20 | | 1 | 11 | 21 | | 2 | 12 | 22 | | 3 | 13 | 23 |
所以 list(g) 输出 [20, 21, 22, 23]。
? 重要提醒：
- 若希望每次捕获当时的
n值，需显式绑定，例如使用默认参数技巧：g = (add(n_val, i) for i in g) # ❌ 仍延迟绑定 g = (lambda nv=n: (add(nv, i) for i in g))() # ✅ 或更清晰地： # 改为：g = (add(n, i) for i in g) → 封装进函数并传入 n 作为参数
更推荐写法：
for n in [1, 10]: g = (add(n, i) for i in g) # → 等价于手动闭包：g = ((lambda n_inner=n: add(n_inner, i))() for i in g)
✅ 总结：生成器表达式中自由变量的求值发生在迭代时，而非定义时；多次链式重构生成器会累积延迟绑定效应，最终所有层级共享循环末尾的变量值。掌握这一机制，是写出可预测、无副作用生成器代码的关键。
