Python推导式(生成式)

本文详细介绍了Python中的推导式,包括列表推导式、字典推导式、集合推导式及生成器推导式的使用方法,并通过具体示例进行讲解。

Python推导式(生成式)

 

1、推导式

推导式是从一个或者多个迭代器快速简洁的创建数据结构的一种方法。可以将循环和条件判断相结合,从而避免语法冗长的代码。

2、列表推导式

常见的列表推导式有以下两种格式 
[expression for item in iterable]

[expression for item in iterable if condition]

下面通过具体的代码举例说明列表推导式的应用

(1) 1-10 的所有整数的平方组成的列表

>>> power_list=[x*x for x in range(1,11)]
>>> power_list
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
>>>

(2) 1-10 的所有奇数组成的列表

>>> odd_list=[x for x in range(1,11) if x%2==1]
>>> odd_list
[1, 3, 5, 7, 9]
>>>

(3) 两个元组中各取一个元素生成的元组的列表

>>> a=(1,2)
>>> b=(3,4)
>>> a_b=[(na,nb) for na in a for nb in b]
>>> a_b
[(1, 3), (1, 4), (2, 3), (2, 4)]
>>>

(4) 两个字符串各取一个字符所组成的字符串列表

>>> str1='abc'
>>> str2='XYZ'
>>> [s1+s2 for s1 in str1 for s2 in str2]
['aX', 'aY', 'aZ', 'bX', 'bY', 'bZ', 'cX', 'cY', 'cZ']
>>>

3、字典推导式

字典推导式格式如下:

{key_expression : value_expression for expression in iterable}

示例代码

(1) 字符串中字符为键,出现次数为值

>>> s='letters'
>>> d={letter : s.count(letter) for letter in set(s)}
>>> d
{'l': 1, 'e': 2, 't': 2, 'r': 1, 's': 1}
>>>

4、集合推导式

集合推导式该格式如下:

{expression for expression in iterable}

示例代码

(1) 1-20 能被3整除的数的集合

>>> m_set={x for x in range(1,21) if x%3==0}
>>> m_set
{3, 6, 9, 12, 15, 18}
>>>

5、生成器推导式

将列表推导式中的方括号换成圆括号就是生成器推导式,不是元组推导式,元组是没有推导式的。生成器推导式返回的是一个生成器对象。

示例代码

>>> number_thing=(number for number in range(1,11))
>>> number_thing
<generator object <genexpr> at 0x00000287D48DFFC0>
>>> type(number_thing)
<class 'generator'>
>>> number_list = list(number_thing)
>>> number_list
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
>>> try_again = list(number_thing)
>>> try_again
[]
>>>
Python 中,**推导式(Comprehensions)** 和 **生成器(Generators)** 都是用于创建可迭代对象的简洁方式,但它们在内存使用、执行时机和返回类型上有显著区别。 --- ### 一、列表推导式 vs 生成器表达式 #### 1. 列表推导式(List Comprehension) - 立即执行,生成一个完整的列表。 - 占用较多内存(因为存储所有元素)。 - 使用方括号 `[]`。 ```python # 列表推导式:立即生成所有元素 squares_list = [x**2 for x in range(5)] print(squares_list) # 输出: [0, 1, 4, 9, 16] print(type(squares_list)) # <class 'list'> ``` > ✅ 优点:可以重复遍历、支持索引、切片。 > ❌ 缺点:占用内存大,尤其数据量大时。 --- #### 2. 生成器表达式(Generator Expression) - 惰性求值(lazy evaluation),按需生成元素。 - 只能遍历一次。 - 使用圆括号 `()`。 ```python # 生成器表达式:不立即计算,只返回一个生成器对象 squares_gen = (x**2 for x in range(5)) print(squares_gen) # <generator object <genexpr> at 0x...> print(next(squares_gen)) # 0 print(next(squares_gen)) # 1 # 或者一次性遍历 for val in squares_gen: print(val) # 会从 4 开始输出(前面已取走两个) ``` > ✅ 优点:节省内存,适合大数据流处理。 > ❌ 缺点:只能遍历一次,不支持索引或切片。 --- ### 二、对比总结 | 特性 | 列表推导式 `[...]` | 生成器表达式 `(...)` | |------|------------------|--------------------| | 执行方式 | 立即执行 | 惰性求值(延迟计算) | | 内存占用 | 高(存储全部数据) | 低(按需生成) | | 是否可重复遍历 | 是 | 否(遍历一次后耗尽) | | 支持索引/切片 | 是 | 否 | | 类型 | `list` | `generator`(属于迭代器) | --- ### 三、自定义生成器函数(Generator Function) 除了生成器表达式,还可以用 `yield` 定义更复杂的生成器: ```python def fibonacci(): a, b = 0, 1 while True: yield a a, b = b, a + b # 使用生成器 fib = fibonacci() for _ in range(5): print(next(fib)) # 0, 1, 1, 2, 3 ``` 这个函数永远不会真正返回所有值,而是“按需”产生下一个斐波那契数,非常适合无限序列。 --- ### 四、何时使用? - **使用列表推导式**: - 数据量小; - 需要多次访问或索引; - 想快速构建列表进行操作。 - **使用生成器表达式或函数**: - 处理大量数据(如读取大文件); - 实现惰性加载; - 构建管道式数据流(类似 Unix 管道); 示例:逐行处理大文件中的数字平方 ```python # 假设有一个大文件,每行一个数字 def read_numbers(filename): with open(filename, 'r') as f: for line in f: yield int(line.strip()) # 构建处理流水线(完全惰性,内存友好) squared_evens = (x**2 for x in read_numbers('numbers.txt') if x % 2 == 0) for sq in squared_evens: print(sq) ``` --- ### 总结 - 推导式(特别是列表推导式)是**语法糖**,用来快速构造容器。 - 生成器是**迭代器的一种**,通过 `yield` 或生成器表达式创建,实现**惰性计算**。 - 两者核心区别在于:**是否立即生成并保存所有数据**。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值