python推导式和生成器

介绍

1. 列表推导式（List Comprehension）

列表推导式是最常见的一种推导式，它允许你用一行代码生成列表，形式如下：

new_list = [expression for item in iterable if condition]

• expression：要添加到新列表的值，可以是简单的变量，也可以是运算结果。
• item：来自迭代对象的每个元素。
• iterable：任何可迭代对象（如列表、字符串、range 等）。
• if condition：可选，用来筛选符合条件的元素。

示例：

生成一个包含平方数的列表：

squares = [x**2 for x in range(10)]
print(squares)  # 输出 [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

2. 字典推导式（Dictionary Comprehension）

字典推导式与列表推导式类似，只不过它生成的是字典，格式如下：

new_dict = {key: value for item in iterable}

示例：

生成一个键为数字，值为其平方的字典：

squares_dict = {x: x**2 for x in range(5)}
print(squares_dict)  # 输出 {0: 0, 1: 1, 2: 4, 3: 9, 4: 16}

3. 集合推导式（Set Comprehension）

集合推导式的语法与列表推导式类似，但生成的结果是集合。

new_set = {expression for item in iterable if condition}

示例：

生成一个不重复的平方数集合：

squares_set = {x**2 for x in range(5)}
print(squares_set)  # 输出 {0, 1, 4, 9, 16}

4. 生成器表达式（Generator Expression）

生成器表达式和列表推导式类似，但它不直接生成列表，而是返回一个生成器对象，用于惰性求值，适合处理大量数据。

gen = (x**2 for x in range(10))
print(list(gen))  # 输出 [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

5. 嵌套推导式

推导式也可以嵌套，用于生成复杂的结构。

示例：

生成一个二维列表：

matrix = [[i * j for j in range(3)] for i in range(3)]
print(matrix)  # 输出 [[0, 0, 0], [0, 1, 2], [0, 2, 4]]

总结：

推导式使代码更加简洁、可读，并且在处理生成列表、字典或集合时特别高效。不过，推导式过于复杂时可能会影响代码的可读性，需谨慎使用。

1. 什么是生成器？

生成器（Generator） 是 Python 中一种特殊类型的迭代器，用于生成一系列的值。在常规的函数中，使用 return 来返回值并结束函数，而在生成器中，使用 yield 来逐次生成值，而不终止函数。生成器可以暂停函数的执行，并在下一次迭代时恢复执行，这种特性使得它适用于处理大量数据或无限数据流。

生成器的定义：

• 生成器可以通过生成器函数创建，使用 yield 语句。
• 生成器也可以通过生成器表达式创建，类似于列表推导式，但使用圆括号代替方括号。

生成器函数示例：

def my_generator():
    yield 1
    yield 2
    yield 3

gen = my_generator()
for value in gen:
    print(value)

2. 生成器与列表的区别

• 内存占用：

  • 生成器是惰性求值的，这意味着它们不会一次性把所有的值加载到内存中，而是每次需要时才生成下一个值，因此非常节省内存。
  • 列表则会在创建时一次性将所有元素加载到内存中，尤其是当数据量很大时，可能导致大量的内存占用。

• 求值方式：

  • 生成器是惰性求值的（即在需要时才生成下一个值），而列表是即时求值的（一次性生成整个列表的所有值）。

• 可重复使用：

  • 生成器一旦迭代完毕，就不能再次使用，除非重新创建。
  • 列表可以多次迭代，因为它们的所有元素都存储在内存中。

列表与生成器的对比：

# 列表
lst = [x**2 for x in range(5)]
print(lst)  # 输出: [0, 1, 4, 9, 16]

# 生成器
gen = (x**2 for x in range(5))
print(list(gen))  # 输出: [0, 1, 4, 9, 16]

生成器不占用大量内存，但在将生成器转换为列表时，才会将所有值存储在内存中。

3. 什么是惰性求值？

惰性求值（Lazy Evaluation），也叫延迟求值，是一种计算策略，指的是当值真正被需要时才进行计算，而不是在定义时立即计算。这使得生成器可以在处理大量数据或无限序列时显得特别高效。

惰性求值的好处：

• 节省内存：生成器不会立即生成所有元素，只在迭代到某个值时才计算它，因此适合处理大规模或无限数据流。
• 提高效率：通过按需生成数据，避免了不必要的计算和内存占用。

示例：

def count_up_to(n):
    count = 1
    while count <= n:
        yield count
        count += 1

counter = count_up_to(5)
print(next(counter))  # 1
print(next(counter))  # 2
# 生成器不会计算后续的值，直到你需要它们为止

在此例中，生成器在调用 next() 时才生成下一个值，未被调用时不会生成，因此更高效。

总结：

• 生成器是惰性求值的迭代器，用来节省内存并延迟计算。
• 列表是立即求值的，它会一次性加载所有元素。
• 惰性求值是指在需要时才进行计算，而不是立即执行，从而提高性能和内存使用效率。

生成器特别适用于大规模或无限序列的处理场景，因为它们仅在需要时生成数据，非常节省内存。