3.3 Python 推导式

推导式(Comprehension)是Python中一种简洁高效的数据结构构建方式，可以替代传统的循环和条件判断组合。

---

目录

1. 列表推导式(List Comprehension)

2. 字典推导式(Dictionary Comprehension)

3. 集合推导式(Set Comprehension)

4. 元组推导式(Generator Expression)

5. 推导式的优缺点

优点：

缺点：

6. 使用场景

推荐使用场景：

不推荐场景：

最佳实践

总结

---

1. 列表推导式(List Comprehension)

作用：快速生成列表，替代 for 循环 + append()

[expression for item in iterable if condition]

特点：

• 返回一个新的列表

• 比普通for循环更高效

• 可以嵌套使用

示例：

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

# 过滤偶数
evens = [x for x in range(10) if x % 2 == 0]
# [0, 2, 4, 6, 8]

# 嵌套推导式
matrix = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
flatten = [num for row in matrix for num in row]
# [1, 2, 3, 4, 5, 6, 7, 8, 9]

---

2. 字典推导式(Dictionary Comprehension)

作用：快速构建字典。

{key_expr: value_expr for item in iterable if condition}

特点：

• 返回一个新的字典

• 可以快速转换键值对

• 支持条件过滤

示例：

# 创建数字到平方的映射
square_dict = {x: x**2 for x in range(5)}
# {0: 0, 1: 1, 2: 4, 3: 9, 4: 16}

# 交换键值对
original = {'a': 1, 'b': 2, 'c': 3}
swapped = {v: k for k, v in original.items()}
# {1: 'a', 2: 'b', 3: 'c'}

# 条件过滤
filtered_dict = {k: v for k, v in original.items() if v > 1}
# {'b': 2, 'c': 3}

---

3. 集合推导式(Set Comprehension)

作用：快速生成不重复的集合（自动去重）。

语法：

{expression for item in iterable if condition}

特点：

• 返回一个新的集合

• 自动去重

• 支持数学集合运算

示例：

# 从列表创建集合(自动去重)
numbers = [1, 2, 2, 3, 4, 4, 5]
unique = {x for x in numbers}
# {1, 2, 3, 4, 5}

# 带条件的集合推导式
even_squares = {x**2 for x in range(10) if x % 2 == 0}
# {0, 4, 16, 36, 64}

---

4. 元组推导式(Generator Expression)

作用：生成惰性计算的迭代器（节省内存）。

语法：

(expression for item in iterable if condition)

特点：

• 返回一个生成器对象

• 惰性求值，节省内存

• 只能遍历一次

示例：

# 创建生成器
squares_gen = (x**2 for x in range(10))
# <generator object <genexpr> at 0x...>

# 使用生成器
for num in squares_gen:
    print(num)  # 0, 1, 4, 9, 16, 25, 36, 49, 64, 81

# 转换为元组
tuple_from_gen = tuple(x**2 for x in range(5))

---

5. 推导式的优缺点

优点：

• 简洁性：用一行代码完成多行循环的工作

• 可读性：结构清晰，意图明确

• 性能：通常比普通循环更快

• 功能性：支持嵌套和复杂条件

缺点：

• 过度使用：复杂推导式会降低可读性

• 调试困难：单行代码难以调试

• 内存消耗：列表/字典/集合推导式会立即创建完整数据结构

---

6. 使用场景

推荐使用场景：

1. 数据转换：将一种数据结构转换为另一种

   names = ['Alice', 'Bob', 'Charlie']
   lengths = [len(name) for name in names]

2. 数据过滤：基于条件筛选数据

   numbers = [1, 2, 3, 4, 5]
   evens = [x for x in numbers if x % 2 == 0]

3. 字典构建：快速创建字典映射

   keys = ['a', 'b', 'c']
   values = [1, 2, 3]
   my_dict = {k: v for k, v in zip(keys, values)}

4. 集合操作：去重和集合运算

   words = ['hello', 'world', 'hello']
   unique_words = {word for word in words}

5. 惰性计算：处理大数据集(生成器推导式)

   big_data = (process(x) for x in huge_dataset)

不推荐场景：

1. 复杂逻辑：当表达式或条件太复杂时

2. 多层嵌套：超过2层的嵌套推导式

3. 副作用操作：推导式不适合用于有副作用的操作

4. 需要多次访问：生成器推导式只能遍历一次

---

最佳实践

• 保持推导式简洁，必要时拆分为多行

• 避免在推导式中使用复杂的函数调用

• 对于性能关键代码，可以比较推导式和普通循环的速度

• 使用括号提高复杂推导式的可读性

# 可读性更好的多行写法
result = [
    transform(x)
    for x in data
    if condition(x)
    and another_condition(x)
]

        推导式是Python的强大特性，合理使用可以大幅提升代码的简洁性和效率，但也要注意避免过度使用导致代码难以维护。

---

总结

推导式类型	语法	适用场景
列表推导式	[x for x in iterable]	快速生成列表
字典推导式	{k: v for k, v in iterable}	快速构建字典
集合推导式	{x for x in iterable}	去重 + 快速生成集合
生成器推导式	(x for x in iterable)	惰性计算，节省内存

推荐使用场景：

• 数据预处理（如过滤、转换）。

• 快速构建数据结构（如列表、字典、集合）。

• 大数据处理（生成器推导式节省内存）。

不推荐场景：

• 多层嵌套 + 复杂逻辑（可读性差）。

• 需要多次复用数据（生成器只能遍历一次）。

掌握推导式可以大幅提升 Python 编码效率！ 🚀

---