python（4）
1.迭代概念
通过for循环来遍历可迭代的对象，称作是迭代，在Python中，for循环的操作对象不仅仅是list,tuple，还有dict等上。只要是可以迭代的对象，无论是有下标还是无下标，都可以迭代。
2.迭代例子
以dict为例子：mydict为一个dict对象,遍历mydict中key(默认情况下就是遍历key):
&&&&for a in mydict:
&&&&print(a)
&&&遍历mydict中values:
for a in mydict.values():
&&&&print(a)
&&&遍历mydict中key,value:
&&&&for a,b in mydict.items():
&&&&print(a,b)
注意：由于dict的存储方式不是顺序的，所以迭代输出的结果可能不一样。
&&&3.判断是否可迭代:
用collections模块的iterable类型判断。
&&&&&&&&d={'a','b','c'}
for a in d:
&&&& print(a)
from collections import Iterable
flag=isinstance(d,Iterable)#set是否可以迭代，注意输出结果的顺序不一样
print(flag)
flag=isinstance(123,Iterable)#整数是否可迭代，表示不可迭代
print(flag)
&&&&&&&&输出：
&&&&&&&&&b
&&&&&&&&&c
&&&&&&&&&a
&&&&&&&&&True
&&&&&&&&&False
4.list索引的迭代
使用python的内置enumerate函数可以把一个list变成索引-元素对。
for a,b in enumerate(['A','B','C']):
&&&&print(a,b)
&5.迭代这部分会和列表生成式，迭代器这部分连在一起，后两部分还没有开始学习，先暂时更新到这里吧~~明天继续~~
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：9950次
排名：千里之外
原创：55篇
(1)(2)(4)(1)(10)(5)(3)(6)(1)(1)(4)(19)送68元_2016年送173元,开奖官网优惠指定入口-
上海宠物网
上海宠物网，同城宠友交流，宠物爱好者交流平台！
上海宠物网Python程序的性能分析指南 - 文章 - 伯乐在线
& Python程序的性能分析指南
的热心翻译。如果其他朋友也有不错的原创或译文，可以。】
虽然不是所有的Python程序都需要严格的性能分析，不过知道如何利用Python生态圈里的工具来分析性能，也是不错的。
分析一个程序的性能，总结下来就是要回答4个问题：
它运行的有多快？
它的瓶颈在哪？
它占用了多少内存？
哪里有内存泄漏？
接下来，我们会着手使用一些很棒的工具，来帮我们回答这些问题。
粗粒度的计算时间
我们先来用个很快的方法来给我们的代码计时：使用unix的一个很好的功能 time。
$ time python yourprogram.py
$ time python yourprogram.py&real&&&&0m1.028suser&&&&0m0.001ssys&&&& 0m0.003s
关于这3个测量值的具体含义可以看，但是简要的说就是：
real：代表实际花费的时间
user:：代表cpu花费在内核外的时间
sys：代表cpu花费在内核以内的时间
通过把sys和user时间加起来可以获得cpu在你的程序上花费的时间。
如果sys和user加起来的时间比real时间要小很多，那么你可以猜想你的程序的大部分性能瓶颈应该是IO等待的问题。
用上下文管理器来细粒度的测量时间
我接下来要使用的技术就是让你的代码仪器化以让你获得细粒度的时间信息。这里是一个计时方法的代码片段：
import time
class Timer(object):
def __init__(self, verbose=False):
self.verbose = verbose
def __enter__(self):
self.start = time.time()
return self
def __exit__(self, *args):
self.end = time.time()
self.secs = self.end - self.start
self.msecs = self.secs * 1000
# millisecs
if self.verbose:
print 'elapsed time: %f ms' % self.msecs
12345678910111213141516
import time&class Timer(object):&&&&def __init__(self, verbose=False):&&&&&&&&self.verbose = verbose&&&&&def __enter__(self):&&&&&&&&self.start = time.time()&&&&&&&&return self&&&&&def __exit__(self, *args):&&&&&&&&self.end = time.time()&&&&&&&&self.secs = self.end - self.start&&&&&&&&self.msecs = self.secs * 1000&&# millisecs&&&&&&&&if self.verbose:&&&&&&&&&&&&print 'elapsed time: %f ms' % self.msecs
为了使用它，将你想要测量时间的代码用Python关键字with和Timer上下文管理器包起来。它会在你的代码运行的时候开始计时，并且在执行结束的完成计时。
下面是一个使用它的代码片段：
from timer import Timer
from redis import Redis
rdb = Redis()
with Timer() as t:
rdb.lpush("foo", "bar")
print "=& elasped lpush: %s s" % t.secs
with Timer as t:
rdb.lpop("foo")
print "=& elasped lpop: %s s" % t.secs
1234567891011
from timer import Timerfrom redis import Redisrdb = Redis()&with Timer() as t:&&&&rdb.lpush("foo", "bar")print "=& elasped lpush: %s s" % t.secs&with Timer as t:&&&&rdb.lpop("foo")print "=& elasped lpop: %s s" % t.secs
我会经常把这些计时器的输入记录进一个日志文件来让我知道程序的性能情况。
用分析器一行一行地计时和记录执行频率
Robert Kern有一个很棒的项目名叫 。我经常会用它来测量我的脚本里每一行代码运行的有多快和运行频率。
为了用它，你需要通过pip来安装这个Python包：
$ pip install line_profiler
$ pip install line_profiler
在你安装好这个模块之后，你就可以使用line_profiler模块和一个可执行脚本kernprof.py。
为了用这个工具，首先需要修改你的代码，在你想测量的函数上使用@profiler装饰器。不要担心，为了用这个装饰器你不需要导入任何其他的东西。Kernprof.py这个脚本可以在你的脚本运行的时候注入它的运行时。
def primes(n):
return [2]
s=range(3,n+1,2)
mroot = n ** 0.5
half=(n+1)/2-1
while m &= mroot:
j=(m*m-3)/2
while j&half:
return [2]+[x for x in s if x]
primes(100)
123456789101112131415161718192021222324
@profiledef primes(n): &&&&if n==2:&&&&&&&&return [2]&&&&elif n&2:&&&&&&&&return []&&&&s=range(3,n+1,2)&&&&mroot = n ** 0.5&&&&half=(n+1)/2-1&&&&i=0&&&&m=3&&&&while m &= mroot:&&&&&&&&if s[i]:&&&&&&&&&&&&j=(m*m-3)/2&&&&&&&&&&&&s[j]=0&&&&&&&&&&&&while j&half:&&&&&&&&&&&&&&&&s[j]=0&&&&&&&&&&&&&&&&j+=m&&&&&&&&i=i+1&&&&&&&&m=2*i+3&&&&return [2]+[x for x in s if x]primes(100)&.
一旦你在你的代码里使用了@profile装饰器，你就要用kernprof.py来运行你的脚本：
$ kernprof.py -l -v fib.py
$ kernprof.py -l -v fib.py
-l这个选项是告诉kernprof将@profile装饰器注入到你的脚本的内建里，-v是告诉kernprof在脚本执行完之后立马显示计时信息。下面是运行测试脚本后得到的输出：
Wrote profile results to primes.py.lprof
Timer unit: 1e-06 s
File: primes.py
Function: primes at line 2
Total time: 0.00019 s
Line Contents
==============================================================
def primes(n):
return [2]
s=range(3,n+1,2)
mroot = n ** 0.5
half=(n+1)/2-1
while m &= mroot:
j=(m*m-3)/2
while j&half:
return [2]+[x for x in s if x]
1234567891011121314151617181920212223242526272829303132
Wrote profile results to primes.py.lprofTimer unit: 1e-06 s&File: primes.pyFunction: primes at line 2Total time: 0.00019 s&Line #&&&&&&Hits&&&&&&&& Time&&Per Hit&& % Time&&Line Contents==============================================================&&&& 2&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& @profile&&&& 3&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& def primes(n): &&&& 4&&&&&&&& 1&&&&&&&&&&&&2&&&&&&2.0&&&&&&1.1&&&&&&if n==2:&&&& 5&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& return [2]&&&& 6&&&&&&&& 1&&&&&&&&&&&&1&&&&&&1.0&&&&&&0.5&&&&&&elif n&2:&&&& 7&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& return []&&&& 8&&&&&&&& 1&&&&&&&&&&&&4&&&&&&4.0&&&&&&2.1&&&&&&s=range(3,n+1,2)&&&& 9&&&&&&&& 1&&&&&&&&&& 10&&&& 10.0&&&&&&5.3&&&&&&mroot = n ** 0.5&&&&10&&&&&&&& 1&&&&&&&&&&&&2&&&&&&2.0&&&&&&1.1&&&&&&half=(n+1)/2-1&&&&11&&&&&&&& 1&&&&&&&&&&&&1&&&&&&1.0&&&&&&0.5&&&&&&i=0&&&&12&&&&&&&& 1&&&&&&&&&&&&1&&&&&&1.0&&&&&&0.5&&&&&&m=3&&&&13&&&&&&&& 5&&&&&&&&&&&&7&&&&&&1.4&&&&&&3.7&&&&&&while m &= mroot:&&&&14&&&&&&&& 4&&&&&&&&&&&&4&&&&&&1.0&&&&&&2.1&&&&&&&&&&if s[i]:&&&&15&&&&&&&& 3&&&&&&&&&&&&4&&&&&&1.3&&&&&&2.1&&&&&&&&&&&&&&j=(m*m-3)/2&&&&16&&&&&&&& 3&&&&&&&&&&&&4&&&&&&1.3&&&&&&2.1&&&&&&&&&&&&&&s[j]=0&&&&17&&&&&&&&31&&&&&&&&&& 31&&&&&&1.0&&&& 16.3&&&&&&&&&&&&&&while j&half:&&&&18&&&&&&&&28&&&&&&&&&& 28&&&&&&1.0&&&& 14.7&&&&&&&&&&&&&&&&&&s[j]=0&&&&19&&&&&&&&28&&&&&&&&&& 29&&&&&&1.0&&&& 15.3&&&&&&&&&&&&&&&&&&j+=m&&&&20&&&&&&&& 4&&&&&&&&&&&&4&&&&&&1.0&&&&&&2.1&&&&&&&&&&i=i+1&&&&21&&&&&&&& 4&&&&&&&&&&&&4&&&&&&1.0&&&&&&2.1&&&&&&&&&&m=2*i+3&&&&22&&&&&&&&50&&&&&&&&&& 54&&&&&&1.1&&&& 28.4&&&&&&return [2]+[x for x in s if x]&.
在里面寻找花费时间比较长的行，有些地方在优化之后能带来极大的改进。
它用了多少内存？
现在，我们已经能很好的测量代码运行时间了，接下来就是分析代码用了多少内存了。幸运的是，Fabian Pedregosa已经完成了一个很好的，它模仿了Robert Kern的line_profile。
首先，用pip来安装它：
$ pip install -U memory_profiler
$ pip install psutil
$ pip install -U memory_profiler$ pip install psutil
（推荐安装psutils包，这是因为这能大大提升memory_profiler的性能）
跟line_profiler类似，memory_profiler需要用@profiler装饰器来装饰你感兴趣的函数，就像这样：
def primes(n):
@profiledef primes(n): &&&&...&&&&...
用一下的命令来查看你的函数在运行时耗费的内存：
$ python -m memory_profiler primes.py
$ python -m memory_profiler primes.py
在代码运行完之后，你就应该能看到一下的输出：
Filename: primes.py
Line Contents
==============================================
def primes(n):
return [2]
s=range(3,n+1,2)
mroot = n ** 0.5
half=(n+1)/2-1
while m &= mroot:
j=(m*m-3)/2
7.9258 MB -0.0039 MB
while j&half:
return [2]+[x for x in s if x]
123456789101112131415161718192021222324252627
Filename: primes.py&Line #&&&&Mem usage&&Increment&& Line Contents==============================================&&&& 2&&&&&&&&&&&&&&&&&&&&&&&&&& @profile&&&& 3&&&&7.9219 MB&&0.0000 MB&& def primes(n): &&&& 4&&&&7.9219 MB&&0.0000 MB&&&&&& if n==2:&&&& 5&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& return [2]&&&& 6&&&&7.9219 MB&&0.0000 MB&&&&&& elif n&2:&&&& 7&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& return []&&&& 8&&&&7.9219 MB&&0.0000 MB&&&&&& s=range(3,n+1,2)&&&& 9&&&&7.9258 MB&&0.0039 MB&&&&&& mroot = n ** 0.5&&&&10&&&&7.9258 MB&&0.0000 MB&&&&&& half=(n+1)/2-1&&&&11&&&&7.9258 MB&&0.0000 MB&&&&&& i=0&&&&12&&&&7.9258 MB&&0.0000 MB&&&&&& m=3&&&&13&&&&7.9297 MB&&0.0039 MB&&&&&& while m &= mroot:&&&&14&&&&7.9297 MB&&0.0000 MB&&&&&&&&&& if s[i]:&&&&15&&&&7.9297 MB&&0.0000 MB&&&&&&&&&&&&&& j=(m*m-3)/2&&&&16&&&&7.9258 MB -0.0039 MB&&&&&&&&&&&&&& s[j]=0&&&&17&&&&7.9297 MB&&0.0039 MB&&&&&&&&&&&&&& while j&half:&&&&18&&&&7.9297 MB&&0.0000 MB&&&&&&&&&&&&&&&&&& s[j]=0&&&&19&&&&7.9297 MB&&0.0000 MB&&&&&&&&&&&&&&&&&& j+=m&&&&20&&&&7.9297 MB&&0.0000 MB&&&&&&&&&& i=i+1&&&&21&&&&7.9297 MB&&0.0000 MB&&&&&&&&&& m=2*i+3&&&&22&&&&7.9297 MB&&0.0000 MB&&&&&& return [2]+[x for x in s if x]&.
IPython里针对line_profiler和memory_profiler的快捷方式
Line_profiler和memory_profiler共有的特性是它们都在IPython里有快捷方式。你只需要在IPython里输入以下内容：
%load_ext memory_profiler
%load_ext line_profiler
%load_ext memory_profiler&%load_ext line_profiler
完成这个步骤后，你就可以使用一个神奇的命令 %lprun 和 %mprun ，它们跟其对应的命令行的功能是类似的。主要的不同是在这里你不需要在你想测量的函数上面使用@profiler来装饰它。可以直接在IPython里像一下的样子了来运行它：
%load_ext In [1]: from primes import primes
In [2]: %mprun -f primes primes(1000)
In [3]: %lprun -f primes primes(1000/pre&
这个因为其不用修改你的代码，而能够节省你很多的时间和精力。
%load_ext In [1]: from primes import primes&In [2]: %mprun -f primes primes(1000)In [3]: %lprun -f primes primes(1000/pre&这个因为其不用修改你的代码，而能够节省你很多的时间和精力。
哪里有内存泄漏？
C Python解释器使用引用计数的方法来作为其内存管理的主要方法。这意味着虽有对象都包含一个计数器，如果增加了一个对这个对象的引用就加1，如果引用被删除就减1。当计数器的值变成0的时候，C Python解释器就知道这个对象不再被使用便会删除这个对象并且释放它占用的内存。 如果在你的程序里，尽管一个对象不再被使用了，但仍然保持对这个对象的引用，就会导致内存泄漏。 找到这些内存泄漏最快的方法就是使用一个很棒的工具，名叫，由Marius Gedminas写的。这个工具能让你看到内存里的对象数量，也能在你的代码里定位保持对这些对象的引用的地方。 首先是安装objgraph：
pip install objgraph
pip install objgraph
在它安装好之后，在你的代码里添加一段声明来调用debugger。
pdb.set_trace()
import pdb; pdb.set_trace()
哪些对象是最常见的？
在运行时，你可以通过运行它考察在你的代码里排前20最常见的对象：
(pdb) import objgraph
(pdb) objgraph.show_most_common_types()
MyBigFatObject
wrapper_descriptor
builtin_function_or_method 934
method_descriptor
getset_descriptor
1234567891011121314
(pdb) import objgraph(pdb) objgraph.show_most_common_types()&MyBigFatObject&&&&&&&&&&&& 20000tuple&&&&&&&&&&&&&&&&&&&&&&16938function&&&&&&&&&&&&&&&&&& 4310dict&&&&&&&&&&&&&&&&&&&&&& 2790wrapper_descriptor&&&&&&&& 1181builtin_function_or_method 934weakref&&&&&&&&&&&&&&&&&&&&764list&&&&&&&&&&&&&&&&&&&&&& 634method_descriptor&&&&&&&&&&507getset_descriptor&&&&&&&&&&451type&&&&&&&&&&&&&&&&&&&&&& 439
哪些对象被添加或者删除？
我们也可以及时看到在两点之间那些对象被添加或者删除了：
(pdb) import objgraph
(pdb) objgraph.show_growth()
(pdb) objgraph.show_growth()
# this only shows objects that has been added or deleted since last show_growth() call
KeyboardInterrupt
123456789101112
(pdb) import objgraph(pdb) objgraph.show_growth()...(pdb) objgraph.show_growth()&& # this only shows objects that has been added or deleted since last show_growth() call&traceback&&&&&&&&&&&&&&&&4&&&&&&&&+2KeyboardInterrupt&&&&&&&&1&&&&&&&&+1frame&&&&&&&&&&&&&&&&&& 24&&&&&&&&+1list&&&&&&&&&&&&&&&&&& 667&&&&&&&&+1tuple&&&&&&&&&&&&&&&&16969&&&&&&&&+1
哪里引用了有漏洞的对象
顺着这条路继续，我们也能看到哪里有对任何指定对象的引用是被保持了的。我们以下面的程序为例：
y = [x, [x], {"a":x}]
pdb.set_trace()
x = [1]y = [x, [x], {"a":x}]import pdb; pdb.set_trace()
为了看哪里有对于变量x的一个引用，运行objgraph.show_backref( )函数：
(pdb) import objgraph
(pdb) objgraph.show_backref([x], filename="/tmp/backrefs.png")
(pdb) import objgraph(pdb) objgraph.show_backref([x], filename="/tmp/backrefs.png")
这个命令的输出应该是一个PNG图片，它的路径为 /tmp/backrefs.png。它看起来应该是这样：
最下面的方框，里面用红色字母写出的是我们感兴趣的对象。我们可以看到它被变量x引用一次，被列表y引用三次。如果x是导致内存泄漏的对象，我们可以用这个方法来看为什么它没有通过追踪所有的引用而被自动释放。
来回顾一下， 能让我们：
显示我们的python程序里占用内存最多的前N个对象
显示在一段时间里被添加或删除的对象
显示在我们的代码里对一个给定对象的所有引用
成就vs 精确
在前文中，我已经展示了如果使用几种工具来分析Python程序的性能。在有了这些工具和技术后，你应该能得到所需要的所有信息来追踪Python程序里大部分的内存泄漏和性能瓶颈。
跟很多其他的主题一样，进行一个性能分析意味着平衡和取舍。在不确定的时候，实现最简单的方案将是适合你目前需要的。
关于作者：
可能感兴趣的话题
关于伯乐在线博客
在这个信息爆炸的时代，人们已然被大量、快速并且简短的信息所包围。然而，我们相信：过多“快餐”式的阅读只会令人“虚胖”，缺乏实质的内涵。伯乐在线内容团队正试图以我们微薄的力量，把优秀的原创文章和译文分享给读者，为“快餐”添加一些“营养”元素。
新浪微博：
推荐微信号
（加好友请注明来意）
– 好的话题、有启发的回复、值得信赖的圈子
– 分享和发现有价值的内容与观点
– 为IT单身男女服务的征婚传播平台
– 优秀的工具资源导航
– 翻译传播优秀的外文文章
– 国内外的精选文章
– UI,网页，交互和用户体验
– 专注iOS技术分享
– 专注Android技术分享
– JavaScript, HTML5, CSS
– 专注Java技术分享
– 专注Python技术分享
& 2016 伯乐在线python 循环解惑 - 推酷
python 循环解惑
摘要：大多数人从C/C++系列语言转移到python语言的过程中，会在循环方式上长期存在很大的质疑，毕竟这二者的循环类别有很大的不同。书写循环的时候，很可能会疑问，什么对象可以拿来循环，什么对象不可循环？本文主要探讨python中的循环，并对比和C语言中循环的不同。
1.C和python循环的不同
大多数人从C/C++系列语言转移到python语言的过程中，会在循环方式上长期存在很大的质疑，毕竟这二者的循环类别有很大的不同。
在C语言中，我们这样书写循环：
for(i=0;i&10;i++){
在python中，我们这样写：
for i in range(10):
是不是很不习惯？如果需要按照2递增呢？
for(i=0;i&10;i+=2){
for i in range(0,10,2):
Note:C语言中，我们用的是增量的方式，循环有三要素：初始值、增量、循环边界；python中，循环仅仅需要一个——可迭代类型。
2.迭代器和iter()函数
python的迭代无缝支持序列对象，还允许迭代非序列对象但表现出序列行为的对象——字典的key、文件的行等等。
从根本上说，迭代器就是一个有next方法的对象，而不是通过索引来计数。当next都获取完毕的时候，引发StopIteration异常，不表示错误发生，而表示调用完毕。
& mytuple=(12, 'xyz',34)
& i=iter(mytuple)
& i.next()
& i.next()
& i.ntext()
Traceback (most recent call last):
File &&stdin&&, line 1, in &module&
AttributeError: 'tupleiterator' object has no attribute 'ntext'
可见，迭代器内部有一个隐形的不可见的指针，指向next的下一个元素。任何for或者while循环实际上是通过迭代类型来实现的。
上文中，我们观看了序列类型用作迭代器的情况，下面，我们看看另外两种数据类型用作迭代器的情况：
字典的迭代器会遍历它的key,for eachkey in mydic.keys() 可以缩写:for eachekey in mydic.
文件对象生成器会自动调用readline方法
已发表评论数()
请填写推刊名
描述不能大于100个字符!
权限设置： 公开
仅自己可见
正文不准确
标题不准确
排版有问题
主题不准确
没有分页内容
图片无法显示
视频无法显示
与原文不一致python-可变迭代对象在for循环中的风险RiskinFORloopwhileloopingmutableiterableobject - 王朝网络 -
分享&&&&&当前位置: &&&&&&&&python-可变迭代对象在for循环中的风险RiskinFORloopwhileloopingmutableiterableobjectpython-可变迭代对象在for循环中的风险RiskinFORloopwhileloopingmutableiterableobject 08:43:23&來源:互联网&&&&　　&&& a = [1,2,3,4,5,6]　　&&& for item in a:　　...
a.remove(item)　　...
　　&&& a　　[2, 4, 6]　　看到上面的代码是不是感觉很奇怪？直观来看，我们只是想依次把队列ａ中的每个元素依次删除，为什么最后的结果确是［２，４，６］？如果你够机智想必应该猜出来是什么原因了。对于每一次ｆｏｒ循环，当前一次的ａ．ｒｅｍｏｖｅ（ｉｔｅｍ）执行完成后，ａ相对的缩短了；item后面的元素补上了之前删除的位置，导致这次ｆｏｒ循环删除的是下下个元素。可见，如果我们的迭代对象是会在循环体中发生变化的话，使用ｆｏｒ语句将会带来不可预知的风险。　　&&& a = [1,2,3,4,5,6]　　&&& for item in a:　　...PRint('Index: ', a.index(item), ' Content:', item)　　...
a.remove(item)　　...
　　Index:
Content: 1　　Index:
Content: 3　　Index:
Content: 5　　&&& a　　[2, 4, 6]&&&&相似文章今日推荐&大家都在看&&&&&&&&&幽默笑话百态军事探索娱乐女性健康旅游互联网··············&&&& a = [1,2,3,4,5,6]
&&& for item in a:
a.remove(item)
看到上面的代码是不是感觉很奇怪？直观来看，我们只是想依次把队列ａ中的每个元素依次删除，为什么最后的结果确是［２，４，６］？如果你够机智想必应该猜出来是什么原因了。对于每一次ｆｏｒ循环，当前一次的ａ．ｒｅｍｏｖｅ（ｉｔｅｍ）执行完成后，ａ相对的缩短了；item后面的元素补上了之前删除的位置，导致这次ｆｏｒ循环删除的是下下个元素。可见，如果我们的迭代对象是会在循环体中发生变化的话，使用ｆｏｒ语句将会带来不可预知的风险。
&&& a = [1,2,3,4,5,6]
&&& for item in a:
...PRint('Index: ', a.index(item), ' Content:', item)
a.remove(item)
Content: 1
Content: 3
Content: 5
[2, 4, 6]&&&&&　　免责声明：本文仅代表作者个人观点，与王朝网络无关。王朝网络登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述，其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。&&&&&&为你推荐&&&&&&转载本文&UBB代码&HTML代码复制到剪贴板...&更多内容··········&&&&&&&&&&频道精选&&王朝女性&&|&&|&&|&&|&&|&&|&&|&&|&&|&&|&&|&&|&王朝分栏&&|&&|&&|&&|&&|&&|&&|&&|&&|&&|&王朝编程&&|&&|&&|&&|&&|&&|&&|&&|&&|&&|&王朝导购&&|&&|&&|&&|&&|&&|&&|&&|&&|&&|&王朝其他&&|&&|&&|&&|&&|&&|&&&&2005-&&版权所有&}