上一篇
Python列表推导式与生成表达式的区别详解 | Python编程教程
Python列表推导式与生成表达式的区别
全面解析两者的工作原理、使用场景与性能差异
理解列表推导式
列表推导式是Python中创建列表的简洁方式，它会立即执行计算并生成完整的列表。
基本语法
[expression for item in iterable if condition]
示例代码
# 创建平方数列表 squares = [x**2 for x in range(10)] print(squares) # 输出: [0, 1, 4, 9, 16, 25, 36, 49, 64, 81] # 带条件的列表推导式 even_squares = [x**2 for x in range(10) if x % 2 == 0] print(even_squares) # 输出: [0, 4, 16, 36, 64]
特点总结
- 立即执行并生成完整列表
- 占用内存与列表大小成正比
- 支持多个for循环和if条件
- 语法使用方括号
[] - 适合处理小型到中型数据集
理解生成表达式
生成表达式使用类似语法，但返回一个生成器对象，它按需生成值（惰性求值）。
基本语法
(expression for item in iterable if condition)
示例代码
# 创建生成器对象
squares_gen = (x**2 for x in range(10))
print(squares_gen) # 输出: <generator object <genexpr> at 0x...>
# 使用生成器
for num in squares_gen:
print(num, end=' ') # 输出: 0 1 4 9 16 25 36 49 64 81
# 带条件的生成表达式
even_squares_gen = (x**2 for x in range(10) if x % 2 == 0)
print(list(even_squares_gen)) # 输出: [0, 4, 16, 36, 64]
特点总结
- 惰性求值 - 只在需要时生成值
- 内存效率高 - 一次只生成一个值
- 语法使用圆括号
() - 只能迭代一次（除非重新创建）
- 适合处理大型或无限序列
核心区别对比
列表推导式
- 立即执行 - 创建完整列表
- 内存占用高 - 存储所有元素
- 语法:
[ ] - 返回列表对象
- 可多次访问
- 适合小数据集
生成表达式
- 惰性求值 - 按需生成值
- 内存占用低 - 一次一个元素
- 语法:
( ) - 返回生成器对象
- 只能迭代一次
- 适合大数据集
性能对比示例
import sys
import time
# 大型数据集 - 1000万个数字
size = 10_000_000
# 列表推导式 - 内存使用
list_start = time.time()
list_comp = [x**2 for x in range(size)]
list_mem = sys.getsizeof(list_comp)
list_time = time.time() - list_start
# 生成表达式 - 内存使用
gen_start = time.time()
gen_exp = (x**2 for x in range(size))
gen_mem = sys.getsizeof(gen_exp)
gen_time = time.time() - gen_start
print(f"列表推导式 - 时间: {list_time:.4f}秒, 内存: {list_mem/(1024**2):.2f}MB")
print(f"生成表达式 - 时间: {gen_time:.4f}秒, 内存: {gen_mem}字节")
运行结果示例：
列表推导式 - 时间: 1.234秒, 内存: 89.29MB
生成表达式 - 时间: 0.0001秒, 内存: 112字节
如何选择合适的方法
✓
使用列表推导式当：
- 数据集较小且可放入内存
- 需要多次访问结果
- 需要列表特有的方法（如append, index等）
- 需要随机访问元素
✓
使用生成表达式当：
- 处理大型或无限数据集
- 内存受限
- 只需单次遍历数据
- 数据管道处理（与其他生成器配合）
实际应用场景示例
列表推导式应用
# 创建小型查找表
squares = [x*x for x in range(1, 101)]
# 数据预处理
names = ["john DOE", "ALICE smith", "BOB Brown"]
proper_names = [name.title() for name in names]
# 矩阵转换
matrix = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
transposed = [[row[i] for row in matrix]
for i in range(len(matrix[0]))]
生成表达式应用
# 处理大型文件
log_gen = (line for line in open('huge.log')
if 'ERROR' in line)
# 无限序列
import itertools
squares_infinite = (x**2 for x in itertools.count(1))
# 链式处理
numbers = (x for x in range(1000000))
squares = (x**2 for x in numbers)
filtered = (x for x in squares if x % 3 == 0)
result = sum(filtered) # 高效内存使用
本文由DuLong于2025-08-01发表在吾爱品聚，如有疑问，请联系我们。
本文链接：https://521pj.cn/20257055.html
发表评论