Python列表推导式：从入门到进阶的代码简化技巧

 列表推导式是Python中最具特色的语法之一，它允许用简洁的一行代码生成复杂列表，替代传统循环结构，使代码更紧凑、高效。

 

一、列表推导式基础语法

 

标准结构模板

 

# 列表推导式基本语法

new_list = [expression for item in iterable]

 

# 等价于传统循环

new_list = []

for item in iterable:

    new_list.append(expression)

 

 

基础应用示例

 

# 示例1：生成平方数列表

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

 

# 示例2：字符串转大写

names = ["alice", "bob", "charlie"]

upper_names = [name.upper() for name in names] # ["ALICE", "BOB", "CHARLIE"]

 

# 示例3：从文件读取行并去除换行符

with open("data.txt") as f:

    lines = [line.strip() for line in f]

 

 

二、带条件过滤的推导式

 

条件语法模板

 

# 带if条件的推导式

new_list = [expression for item in iterable if condition]

 

# 等价于

new_list = []

for item in iterable:

    if condition:

        new_list.append(expression)

 

 

条件应用示例

 

# 示例1：过滤偶数

numbers = [1, 2, 3, 4, 5, 6]

even_numbers = [x for x in numbers if x % 2 == 0] # [2, 4, 6]

 

# 示例2：筛选非空字符串

texts = ["hello", "", "world", None, "!"]

valid_texts = [t.strip() for t in texts if t and t.strip()] # ["hello", "world", "!"]

 

# 示例3：复杂条件组合

data = [10, -5, 0, 3, -8, 2]

filtered = [x * 2 for x in data if x > 0 and x % 2 == 0] # [20, 4]

 

 

三、嵌套循环推导式

 

嵌套语法模板

 

# 嵌套循环推导式

new_list = [expression for item1 in iterable1 for item2 in iterable2]

 

# 等价于

new_list = []

for item1 in iterable1:

    for item2 in iterable2:

        new_list.append(expression)

 

 

嵌套应用示例

 

# 示例1：矩阵转置

matrix = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

transpose = [[row[i] for row in matrix] for i in range(3)] # [[1,4,7], [2,5,8], [3,6,9]]

 

# 示例2：笛卡尔积

colors = ["red", "blue"]

sizes = ["S", "M", "L"]

products = [f"{c}-{s}" for c in colors for s in sizes] # ["red-S", "red-M", ..., "blue-L"]

 

# 示例3：文件路径遍历

import os

image_files = [os.path.join(d, f) for d, _, fs in os.walk("images") for f in fs 

               if f.endswith((".jpg", ".png", ".jpeg"))]

 

 

四、推导式中的条件表达式

 

三元表达式应用

 

# 带三元表达式的推导式

new_list = [value_if_true if condition else value_if_false for item in iterable]

 

# 等价于

new_list = []

for item in iterable:

    if condition:

        new_list.append(value_if_true)

    else:

        new_list.append(value_if_false)

 

 

条件表达式示例

 

# 示例1：奇偶分类标记

numbers = [1, 2, 3, 4, 5]

flags = ["even" if x % 2 == 0 else "odd" for x in numbers] # ["odd", "even", "odd", "even", "odd"]

 

# 示例2：安全数据转换

data = ["10", "20", "abc", "30"]

converted = [int(x) if x.isdigit() else 0 for x in data] # [10, 20, 0, 30]

 

# 示例3：复杂逻辑处理

scores = [85, 92, 78, 65, 95]

grades = ["A" if s >= 90 else "B" if s >= 80 else "C" for s in scores] # ["B", "A", "B", "C", "A"]

 

 

五、列表推导式与传统方法对比

 

与map/filter函数对比

 

# 示例：计算平方（map更简洁）

numbers = [1, 2, 3, 4]

squares1 = [x**2 for x in numbers] # 列表推导式

squares2 = list(map(lambda x: x**2, numbers)) # map函数

 

# 示例：过滤偶数（列表推导式更直观）

even1 = [x for x in numbers if x % 2 == 0] # 列表推导式

even2 = list(filter(lambda x: x % 2 == 0, numbers)) # filter函数

 

# 示例：复合操作（列表推导式更灵活）

result1 = [x.upper() + "!" for x in names if len(x) > 3] # 推导式一站式处理

result2 = list(map(lambda x: x.upper() + "!", filter(lambda n: len(n) > 3, names))) # 函数式组合

 

 

性能对比测试

 

import time

 

# 测试数据

n = 1000000

numbers = list(range(n))

 

# 列表推导式

start = time.time()

squares = [x**2 for x in numbers]

end1 = time.time()

 

# 传统循环

start2 = time.time()

squares2 = []

for x in numbers:

    squares2.append(x**2)

end2 = time.time()

 

print(f"推导式耗时: {end1 - start:.6f}秒")

print(f"传统循环耗时: {end2 - start2:.6f}秒")

# 输出：推导式通常比传统循环快10-15%

 

 

六、进阶技巧与注意事项

 

嵌套推导式优化

 

# 反模式：过度嵌套（难以阅读）

matrix = [[1,2],[3,4],[5,6]]

flattened = [x for row in matrix for x in row if x % 2 == 0] # 推荐写法

flattened_bad = [x for row in matrix if x % 2 == 0 for x in row] # 错误顺序，可读性差

 

 

生成器表达式（惰性求值）

 

# 列表推导式（立即生成全部元素）

list_gen = [x**2 for x in range(10**6)] # 占用大量内存

 

# 生成器表达式（按需生成）

gen_expr = (x**2 for x in range(10**6)) # 内存高效

first_ten = list(islice(gen_expr, 10)) # 仅获取前10个元素

 

 

避免过度使用

 

# 复杂逻辑应拆分为函数（反模式）

data = [1, -2, 3, -4, 5]

result = [math.sqrt(x) if x > 0 else None for x in data if x % 2 == 1]

 

# 优化写法

def process(x):

    if x % 2 != 1:

        return None

    return math.sqrt(x) if x > 0 else None

 

result = [process(x) for x in data] # 更清晰的逻辑

 

 

七、综合应用案例

 

案例1：数据清洗与转换

 

# 原始数据（包含空值和异常格式）

raw_data = ["10.5", "20", "invalid", "30.0", "", "15"]

 

# 使用列表推导式清洗数据

cleaned = [float(x) for x in raw_data if x.strip() and x.replace(".", "", 1).isdigit()]

# 结果: [10.5, 20.0, 30.0, 15.0]

 

 

案例2：图像文件批量处理

 

import os

from PIL import Image

 

# 查找所有图像文件并调整尺寸

image_dir = "photos"

target_size = (800, 600)

 

# 列表推导式查找文件

image_files = [os.path.join(image_dir, f) for f in os.listdir(image_dir)

               if f.lower().endswith((".jpg", ".png", ".jpeg"))]

 

# 处理图像（结合生成器表达式）

for img_path in (Image.open(f) for f in image_files):

    img_path.resize(target_size).save(f"resized_{os.path.basename(img_path.filename)}")

 

 

案例3：多维数据处理

 

# 学生成绩数据

grades = [

    ["Alice", 85, 90, 78],

    ["Bob", 75, 82, 88],

    ["Charlie", 92, 87, 94]

]

 

# 计算平均分并生成报告

reports = [

    f"{name}: 平均分 {sum(scores[1:])/len(scores[1:]):.2f}"

    for name, *scores in grades

]

# 结果: ["Alice: 平均分 84.33", "Bob: 平均分 81.67", "Charlie: 平均分 91.00"]

 

 

八、总结：何时使用列表推导式

 

推荐使用场景：

 

1. 简单的数据转换（如类型转换、格式调整）

2. 单一条件的数据过滤

3. 二维数据的扁平化或重组

4. 不需要复杂逻辑的快速列表生成

 

不推荐使用场景：

 

1. 多层嵌套循环（超过2层）

2. 包含复杂条件判断（超过2个if条件）

3. 需要修改原始数据或有副作用的操作

4. 逻辑复杂到影响代码可读性

 

列表推导式是Python的"语法糖"，合理使用可以显著简化代码，但过度追求简洁可能导致代码难以维护。最佳实践是：对于简单逻辑，用推导式提升效率；对于复杂逻辑，优先考虑可读性，通过函数封装实现功能。