Python列表推导式与生成器表达式的魔法：高效编程的秘诀

在Python编程中，列表推导式（List Comprehensions）和生成器表达式（Generator Expressions）是两种强大的工具，它们能够帮助我们以更简洁、更高效的方式处理集合数据。这两种表达式不仅易于编写，而且性能卓越，是每位Python开发者都应该熟练掌握的技能。
列表推导式和生成器表达式都是Python中用于创建序列数据的简洁语法。它们的主要区别在于存储方式和计算时机：

● 列表推导式：即时计算并创建完整的列表，占用内存空间与列表长度成正比。
● 生成器表达式：延迟计算，每次迭代只产生一个元素，节省内存空间，适用于处理大量数据。

以下是列表推导式和生成器表达式的高效运用示例：

列表推导式

示例1：从一个整数列表中计算平方

numbers = [1, 2, 3, 4, 5]
squares = [num ** 2 for num in numbers]
print(squares)  # 输出：[1, 4, 9, 16, 25]

示例2：筛选偶数并乘以2

numbers = [10, 15, 20, 25, 30]
even_doubled = [num * 2 for num in numbers if num % 2 == 0]
print(even_doubled)  # 输出：[20, 40, 60]

生成器表达式

示例1：计算斐波那契数列前N项（节省内存）

def fibonacci(n):
    a, b = 0, 1
    for _ in range(n):
        yield a
        a, b = b, a + b

fib_gen = (num for num in fibonacci(10))  # 生成器表达式包装斐波那契生成器
for num in fib_gen:
    print(num)

示例2：逐行读取大文件，处理每一行（避免一次性加载全部内容）

with open('large_file.txt', 'r') as file:
    line_generator = (line.strip() for line in file)  # 生成器表达式用于逐行读取
    for line in line_generator:
        process_line(line)  # 自定义处理函数

使用场景比较

● 当你需要一次性获取整个序列的所有元素，并且内存允许时，使用列表推导式，如快速计算有限个数的结果。
● 当处理大量数据或内存有限时，使用生成器表达式，它能节省内存并按需生成结果，特别适合大数据流或无限序列的处理。

总之，列表推导式适用于结果集较小、需要一次性使用的场景；生成器表达式则适用于大数据处理、内存敏感或需要惰性计算的场景。