Python 推导式详解

Python 推导式（Comprehensions）是一种简洁高效的语法糖，用于从一个或多个可迭代对象（如列表、字典、集合）创建新的数据结构。它能将循环和条件判断的逻辑合并为一行代码，显著提升代码可读性和编程效率。以下从多个维度详细解析 Python 推导式的核心用法、进阶技巧及注意事项：

一、列表推导式（List Comprehensions）

基础语法

[表达式 for 变量 in 可迭代对象]
[表达式 for 变量 in 可迭代对象 if 条件判断]

 

示例与应用

1. 生成平方数列表

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

    
2. 过滤偶数

   evens = [x for x in range(10) if x % 2 == 0]
   # 等价于：evens = [0, 2, 4, 6, 8]
   

    
3. 嵌套循环

   pairs = [(x, y) for x in [1, 2] for y in [3, 4]]
   # 等价于：pairs = [(1, 3), (1, 4), (2, 3), (2, 4)]
   

    

二、字典推导式（Dictionary Comprehensions）

基础语法

{键表达式: 值表达式 for 变量 in 可迭代对象}
{键表达式: 值表达式 for 变量 in 可迭代对象 if 条件判断}

 

示例与应用

1. 交换字典的键值对

   original = {'a': 1, 'b': 2}
   reversed_dict = {v: k for k, v in original.items()}
   # 结果：{1: 'a', 2: 'b'}
   

    
2. 过滤值大于 10 的项

   data = {'apple': 5, 'banana': 15, 'cherry': 20}
   filtered = {k: v for k, v in data.items() if v > 10}
   # 结果：{'banana': 15, 'cherry': 20}
   

    

三、集合推导式（Set Comprehensions）

基础语法

{表达式 for 变量 in 可迭代对象}
{表达式 for 变量 in 可迭代对象 if 条件判断}

 

示例与应用

1. 生成唯一的平方数集合

   squares_set = {x**2 for x in [-1, 1, 2]}
   # 结果：{1, 4}（集合自动去重）
   

    
2. 从字符串中提取唯一字符

   unique_chars = {c for c in "hello" if c != 'l'}
   # 结果：{'e', 'o', 'h'}
   

    

四、生成器表达式（Generator Expressions）

基础语法

(表达式 for 变量 in 可迭代对象)
(表达式 for 变量 in 可迭代对象 if 条件判断)

 

示例与应用

1. 惰性生成平方数

   gen = (x**2 for x in range(3))
   next(gen)  # 输出：0
   next(gen)  # 输出：1
   next(gen)  # 输出：4
   

    
2. 计算总和（无需创建完整列表）

   total = sum(x**2 for x in range(1000))  # 节省内存
   

    

五、嵌套推导式

列表嵌套

matrix = [[i*j for j in range(3)] for i in range(2)]
# 结果：[[0, 0, 0], [0, 1, 2]]

 

字典嵌套

nested_dict = {i: {j: i*j for j in range(2)} for i in range(2)}
# 结果：{0: {0: 0, 1: 0}, 1: {0: 0, 1: 1}}

 

六、条件表达式进阶

三元表达式

values = [-1, 2, -3]
abs_values = [x if x >= 0 else -x for x in values]
# 结果：[1, 2, 3]

 

多条件分支

grades = [85, 95, 70]
results = ['A' if x >= 90 else 'B' if x >= 80 else 'C' for x in grades]
# 结果：['B', 'A', 'C']

 

七、性能与内存优化

1. 生成器表达式的优势
   • 列表推导式会立即创建完整列表，占用大量内存。
   • 生成器表达式惰性生成值，适合处理大数据：
      

     # 列表推导式（占用O(n)内存）
     large_list = [x for x in range(10**6)]
     
     # 生成器表达式（占用O(1)内存）
     large_gen = (x for x in range(10**6))
     

      
2. 时间复杂度
   • 推导式通常比显式循环快，因为其内部优化为 C 语言实现：

     # 推导式（约快30%）
     squares = [x**2 for x in range(1000)]
     
     # 传统循环
     squares = []
     for x in range(1000):
         squares.append(x**2)
     

      

八、常见错误与注意事项

1. 变量泄漏问题
   • Python 2 中，推导式会泄漏变量到外部作用域，Python 3 已修复：

     # Python 2（有问题）
     x = 0
     squares = [x**2 for x in range(5)]
     print(x)  # 输出：4（变量x被修改）
     
     # Python 3（正确）
     x = 0
     squares = [x**2 for x in range(5)]
     print(x)  # 输出：0
     

      
2. 过度复杂的推导式
   • 避免嵌套过深或逻辑过于复杂的推导式，保持代码可读性：
      

     # 不推荐（难以理解）
     result = [(x, y) for x in range(3) for y in range(4) if x*y > 2]
     
     # 推荐（拆分为多行）
     result = []
     for x in range(3):
         for y in range(4):
             if x*y > 2:
                 result.append((x, y))
     

      

九、与函数式工具对比

推导式 vs map/filter：

 

 

# 使用map和filter
evens = list(filter(lambda x: x % 2 == 0, map(lambda x: x**2, range(10))))

# 使用列表推导式（更简洁）
evens = [x**2 for x in range(10) if x % 2 == 0]

 

总结

Python 推导式通过简洁的语法实现复杂的数据转换和过滤，显著提升代码可读性和执行效率。其核心分类包括：

• 列表推导式：[expression for item in iterable]
• 字典推导式：{key: value for item in iterable}
• 集合推导式：{expression for item in iterable}
• 生成器表达式：(expression for item in iterable)

使用时需注意变量作用域、内存优化和代码可读性，避免过度复杂的嵌套结构。推导式与生成器表达式结合可高效处理大数据场景，是 Python 编程中不可或缺的强大工具。