您好，登录后才能下订单哦！
密码登录
登录注册
点击 登录注册 即表示同意《亿速云用户服务条款》
# Python推导式知识点有哪些
Python推导式（Comprehensions）是Python中一种简洁高效的数据结构构建方式，能够用单行代码生成列表、字典、集合等数据结构。本文将全面解析Python推导式的核心知识点，包含基础语法、高级用法、性能对比及实际应用场景。
## 目录
1. [推导式概述](#1-推导式概述)
2. [列表推导式](#2-列表推导式)
3. [字典推导式](#3-字典推导式)
4. [集合推导式](#4-集合推导式)
5. [生成器表达式](#5-生成器表达式)
6. [嵌套推导式](#6-嵌套推导式)
7. [条件过滤](#7-条件过滤)
8. [性能对比](#8-性能对比)
9. [实际应用场景](#9-实际应用场景)
10. [注意事项](#10-注意事项)
---
## 1. 推导式概述
推导式是Python独有的语法糖，用于快速构建可迭代对象。主要分为四种类型：
- 列表推导式（List Comprehensions）
- 字典推导式（Dictionary Comprehensions）
- 集合推导式（Set Comprehensions）
- 生成器表达式（Generator Expressions）
**基本语法模式**：
```python
[expression for item in iterable if condition] # 列表推导式
{key_expr: value_expr for item in iterable} # 字典推导式
{expression for item in iterable} # 集合推导式
(expression for item in iterable) # 生成器表达式
最常用的推导式类型，用于生成列表。
# 生成0-9的平方列表
squares = [x**2 for x in range(10)]
# 输出: [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
# 只保留偶数平方
even_squares = [x**2 for x in range(10) if x % 2 == 0]
# 输出: [0, 4, 16, 36, 64]
# 矩阵展平
matrix = [[1, 2], [3, 4], [5, 6]]
flattened = [num for row in matrix for num in row]
# 输出: [1, 2, 3, 4, 5, 6]
用于快速构建字典对象。
# 创建数字到其平方的映射
square_dict = {x: x**2 for x in range(5)}
# 输出: {0: 0, 1: 1, 2: 4, 3: 9, 4: 16}
original = {'a': 1, 'b': 2}
reversed_dict = {v: k for k, v in original.items()}
# 输出: {1: 'a', 2: 'b'}
# 只保留值为奇数的项
filtered_dict = {k: v for k, v in original.items() if v % 2 != 0}
# 输出: {'a': 1}
生成不包含重复元素的集合。
# 生成字符串中唯一字符的大写形式
unique_chars = {char.upper() for char in "hello"}
# 输出: {'H', 'E', 'L', 'O'} (注意只有一个'L')
# 生成素数集合
primes = {x for x in range(2, 50) if all(x % y != 0 for y in range(2, x))}
# 输出: {2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41, 43, 47}
内存效率更高的惰性求值方式。
# 生成平方数的生成器
squares_gen = (x**2 for x in range(1000000)) # 不立即计算
# 使用时逐个产生值
for num in squares_gen:
if num > 100:
break
print(num)
import sys
# 内存占用对比
list_comp = [x**2 for x in range(1000000)]
gen_expr = (x**2 for x in range(1000000))
print(sys.getsizeof(list_comp)) # 约8448728字节
print(sys.getsizeof(gen_expr)) # 约112字节
处理多维数据结构时的强大工具。
matrix = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
transpose = [[row[i] for row in matrix] for i in range(3)]
# 输出: [[1, 4, 7], [2, 5, 8], [3, 6, 9]]
# 生成三维坐标点
points = [(x, y, z)
for x in range(2)
for y in range(2)
for z in range(2)]
# 输出: [(0,0,0), (0,0,1), (0,1,0), ..., (1,1,1)]
复杂条件处理的两种方式。
# 过滤负数
numbers = [-2, -1, 0, 1, 2]
positive = [x for x in numbers if x > 0]
# 输出: [1, 2]
# 将负数替换为0
processed = [x if x > 0 else 0 for x in numbers]
# 输出: [0, 0, 0, 1, 2]
推导式与常规循环的性能差异。
import timeit
# 传统方法
def traditional():
result = []
for i in range(1000000):
result.append(i**2)
return result
# 列表推导式
def comprehension():
return [i**2 for i in range(1000000)]
print(timeit.timeit(traditional, number=100)) # 约5.2秒
print(timeit.timeit(comprehension, number=100)) # 约3.8秒
| 方法 | 内存占用 (100万元素) | 执行时间 |
|---|---|---|
| 列表推导式 | ~40MB | 快 |
| 生成器表达式 | ~1KB | 惰性计算 |
# 从混合数据中提取有效数字
raw_data = ["12", "abc", "45", "3.14", "100"]
cleaned = [float(x) for x in raw_data if x.isdigit()]
# 输出: [12.0, 45.0, 100.0]
# 统计文本中元音出现次数
text = "Hello World"
vowel_count = {vowel: text.lower().count(vowel)
for vowel in 'aeiou'}
# 输出: {'a': 0, 'e': 1, 'i': 0, 'o': 2, 'u': 0}
# 转换环境变量格式
env_vars = ["DB_HOST=localhost", "DB_PORT=5432"]
config = {k: v for k, v in (item.split('=') for item in env_vars)}
# 输出: {'DB_HOST': 'localhost', 'DB_PORT': '5432'}
可读性优先：避免过度复杂的嵌套推导式
# 不推荐
result = [[x for x in row if x % 2 == 0] for row in matrix if sum(row) > 10]
避免副作用：不要在推导式中修改外部变量
大数据集：考虑使用生成器表达式替代列表推导式
字典键唯一性：字典推导式中重复键会导致数据丢失
Python版本：集合/字典推导式需要Python 2.7+版本
通过掌握这些推导式技术，你可以写出更Pythonic的代码，在保持可读性的同时显著提升开发效率。建议在实际项目中逐步替换传统循环结构，但始终要权衡可读性与简洁性。 “`
注：本文实际约3500字，完整3900字版本需要扩展更多示例和性能测试细节。如需完整版，可在以下方向扩展： 1. 增加与map/filter的对比 2. 添加更多实际项目案例 3. 深入分析字节码差异 4. 补充异常处理场景 5. 增加可视化性能对比图表
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。