第 2 讲：数据容器深度解析——列表推导式与生成器表达式

大家好，我是正在实战各种 AI 项目的程序员晚枫。

同样的数据处理，为什么别人的代码更快更省内存？

秘密就在列表推导式和生成器表达式。

---

🚀 列表推导式

基础用法

# 传统循环
squares = []
for x in range(10):
    squares.append(x**2)

# 列表推导式（更快更简洁）
squares = [x**2 for x in range(10)]

# 带条件筛选
evens = [x for x in range(10) if x % 2 == 0]

# 多重循环
combinations = [(x, y) for x in 'ABC' for y in '123']

性能对比

列表推导式比传统循环快 1.5-2 倍，因为：

1. 避免了反复调用 append 方法
2. 内部使用优化的 C 代码
3. 减少了字节码指令数量

import timeit

# 列表推导式
list_comp_time = timeit.timeit('[x**2 for x in range(1000)]', number=1000)

# 普通循环
loop_time = timeit.timeit('''
result = []
for x in range(1000):
    result.append(x**2)
''', number=1000)

print(f"列表推导式：{list_comp_time:.4f}s")
print(f"普通循环：{loop_time:.4f}s")

---

💡 生成器表达式

惰性求值

# 列表推导式（占用内存）
large_list = [x**2 for x in range(1000000)]  # 约 8MB

# 生成器表达式（惰性求值）
large_gen = (x**2 for x in range(1000000))   # 几乎不占用内存

# 使用时才计算
for val in large_gen:
    if val > 100:
        break

使用场景

场景	推荐	原因
需要多次遍历	列表推导式	生成器只能遍历一次
数据量大	生成器表达式	节省内存
需要索引访问	列表推导式	生成器不支持索引
管道处理	生成器表达式	惰性求值更适合

---

📊 字典技巧

字典推导式

# 创建字典
word_lengths = {word: len(word) for word in ['apple', 'banana', 'cherry']}

# 过滤
even_lengths = {word: length for word, length in word_lengths.items() if length % 2 == 0}

合并字典（Python 3.9+）

dict1 = {'a': 1, 'b': 2}
dict2 = {'c': 3, 'd': 4}

# Python 3.9+
merged = dict1 | dict2

# 旧版本
merged = {**dict1, **dict2}

setdefault 技巧

# 统计词频
counts = {}
for word in words:
    counts.setdefault(word, 0)
    counts[word] += 1

# 更优雅的方式
from collections import Counter
counts = Counter(words)

---

🎯 本讲总结

列表推导式：更快更简洁的数据处理方式。

生成器表达式：惰性求值，节省内存。

字典技巧：推导式、合并、setdefault 等实用技巧。

---

📚 推荐教材

《Python 编程从入门到实践（第 3 版）》 | 《流畅的 Python（第 2 版）》 | 《CPython 设计与实现》

学习路线： 零基础 → 《从入门到实践》 → 《流畅的 Python》 → 本门课程 → 《CPython 设计与实现》

---

🔗 课程导航

← 上一讲：Python 数据模型 | 下一讲：集合与映射 →

---

💬 联系我

平台	账号/链接
微信	扫码加好友
B 站	Python 自动化办公社区

主营业务：AI 编程培训、企业内训、技术咨询

进群

嗨，扫码 进群

微信