先来理解看下一段代码:
>>> import itertools
>>> for i in itertools.imap(lambda x,y: x*y, [10, 20, 30], itertools.count(1)):
... print(i)
...
10
40
90
>>>第一段好理解，一个匿名函数，传递两个参数，返回两个参数的乘积。
第二段好理解，传递的是一个列表[10, 20, 30]，用做参数x的功效
第三段要理解，先要用help()函数来查看
综合上面的几段的理解，上面的代码，其实跟下面的是等价的， 有了上面的知识打底，方案三就很理解！
>>> import itertools
>>> ### 方案一:
>>> def func(x, y):
... return x * y
...
>>> for i in itertools.imap(func, [10, 20, 30], [1, 2, 3]):
... print(i)
...
10
40
90
>>> ### 方案二:
>>> for i in itertools.imap(func, [10, 20, 30], itertools.count(start=1, step=1)):
... print(i)
...
10
40
90
>>> ### 方案三:
>>> for i in itertools.imap(lambda x,y:x*y, [10, 20, 30], itertools.count(1)):
... print(i)
...
10
40
90
>>>有了上面的理解，接着可以引出下面一段代码:
>>> for i in map(lambda x, y: x * y, [10, 20, 30], [1, 2, 3]):
... print(i)
...
10
40
90
>>>其实上面的一段可以跟iterools.imap, itertool.count效果一样，那么为什么要用itertools.imap和itertools.count呢？ 这里面就涉及到一个性能方面的问题， 当列表比较小时，你几乎看不出两者的区别，但如果列表一大，两者的区别的就大了!
>>> data = xrange(1000000000)
>>> doubled = map(lambda x: x * 2, data) # 会造成MemoryError
而使用itertools.imap则不仅仅可以计算出doubled，而且可以求出其和!
>>> import itertools
>>> data = xrange(1000000000)
>>> iter_doubled = itertools.imap(lambda x: x * 2, data)
>>> sum(iter_doubled) # 大概1-10分钟就可以算出结果
999999999000000000L
由此可见， 在处理大数据方面，通过itertools的迭代工具来处理的话，效率要高的多！
备注: 在Python3中map相当于itertools.imap的迭代函数，所以在3中，下面的代码执行起来是一样的。
>>> data = range(1000000000)
>>> doubled = map(lambda x: x * 2, data)
>>> sum(doubled)
999999999000000000
>>>