《惰性之美：生成器表达式 vs 列表推导式的性能与内存深度解析》

《惰性之美：生成器表达式 vs 列表推导式的性能与内存深度解析》

一、引言：一行代码背后的性能差异

在 Python 中，很多人写过这样的代码：

sum([i*i for i in range(1000000)])

也有人写过这样一行：

sum(i*i for i in range(1000000))

它们看起来几乎一样，甚至输出结果也完全一致。但你知道吗？这两者在内存使用和执行效率上却有着本质的区别。

作为一名长期从事 Python 性能优化与教学的开发者，我在一次数据处理任务中，因使用列表推导式导致内存暴涨，最终不得不重构为生成器表达式。那次经历让我深刻体会到：写得优雅不等于写得高效。

本文将带你深入理解生成器表达式的“惰性求值”机制，并通过实战对比，揭示它与列表推导式在性能与内存上的差异。

---

二、基础语法回顾：列表推导式与生成器表达式

列表推导式（List Comprehension）

语法形式：

[expression for item in iterable if condition]

特点：

• 返回一个完整的列表对象
• 所有元素一次性生成并存储在内存中

生成器表达式（Generator Expression）

语法形式：

(expression for item in iterable if condition)

特点：

• 返回一个生成器对象
• 元素按需生成，惰性求值

---

三、惰性求值：生成器的核心优势

生成器表达式的最大特点是惰性求值，即只有在需要时才生成下一个元素。

示例：逐步生成 vs 一次性生成

gen = (i*i for i in range(