(转)python高级:列表解析和生成表达式
一、语法糖的概念
“糖”,可以理解为简单、简洁,“语法糖”使我们可以更加简洁、快速的实现这些功能。 只是Python解释器会把这些特定格式的语法翻译成原本那样复杂的代码逻辑
我们使用的语法糖有:
- if...else 三元表达式: 可以简化分支判断语句,如 x = y.lower() if isinstance(y, str) else y
- with语句: 用于文件操作时,可以帮我们自动关闭文件对象,使代码变得简洁;
- 装饰器: 可以在不改变函数代码及函数调用方式的前提下,为函数增加增强性功能;
- 列表生成式: 用于生成一个新的列表
- 生成器: 用于“惰性”地生成一个无限序列
生成器表达式、列表解析式对比
列表解析式 在需要改变列表而不是需要新建某列表时,可以使用列表解析无返回值
-
-
-
[(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (3, 1), (3, 2), (3, 3), (3, 4), (3, 5)]
-
-
-
[16, 17, 18, 19]
生成器表达式 有返回值
当序列过长, 而每次只需要获取一个元素时,应当考虑使用生成器表达式而不是列表解析。生成器表达式的语法和列表解析一样,只不过生成器表达式是被()括起来的,而不是[],如下:
-
-
-
<generator object <genexpr> at 0xb749a52c>
-
-
-
-
-
-
[2, 4, 6, 8, 10]
1. 当需要只是执行一个循环的时候尽量使用循环而不是列表解析,这样更符合python提倡的直观性。
-
for item in sequence:
-
process(item)
2. 当有内建的操作或者类型能够以更直接的方式实现的,不要使用列表解析。例如复制一个列表时,使用:L1=list(L)即可,不必使用:
L1=[x for x in L]
3.如果需要对每个元素都调用并且返回结果时,应使用L1=map(f,L), 而不是 L1=[f(x) for x in L]
对比:
计算方式
生成器表达式延迟计算,列表解析式立即计算
内存占用
从返回值来说,生成器省内存,列表解析式返回新的列表
生成器没有数据,内存占用极少,但是使用的时候,虽然一个个返回数据,但是合起来占用的内存也差不多
列表解析式构造新的列表需要占用内存
计算速度
单看计算时间,生成器表达式耗时非常短,列表解析式耗时长
但是生成器本身并没有返回任何值,只返回了一个生成器对象
列表解析式构造并返回了一个新的列表
-
要求:列出1~10中大于等于4的数字的平方
-
####################################################
-
1、普通方法:
-
-
-
-
-
...
-
-
[16, 25, 36, 49, 64, 81, 100]
-
####################################################
-
2、列表解析
-
>>>L = [ i**2 for i in range(1,11) if i >= 4 ]
-
>>>print L
-
[16, 25, 36, 49, 64, 81, 100]
- <code class="language-python">要求:列出1~10所有数字的平方除以2的值
- ####################################################
- 1、普通方法
- >>> L = []
- >>> for i in range(1,11):
- ... L.append(i**2/2)
- ...
- >>> print L
- [0, 2, 4, 8, 12, 18, 24, 32, 40, 50]
- ####################################################
- 2、列表解析
- >>> L = [i**2/2 for i in range(1,11) ]
- >>> print L
- [0, 2, 4, 8, 12, 18, 24, 32, 40, 50]</code>
-
要求:列出1~10所有数字的平方除以2的值
-
####################################################
-
1、普通方法
-
-
-
-
-
-
[0, 2, 4, 8, 12, 18, 24, 32, 40, 50]
-
####################################################
-
2、列表解析
-
-
-
[0, 2, 4, 8, 12, 18, 24, 32, 40, 50]
-
要求:列出"/var/log"中所有已'.log'结尾的文件
-
##################################################
-
1、普通方法
-
>>>import os
-
>>>file = []
-
-
-
-
...
-
-
['anaconda.ifcfg.log', 'Xorg.0.log', 'anaconda.storage.log', 'Xorg.9.log', 'yum.log', 'anaconda.log', 'dracut.log', 'pm-powersave.log', 'anaconda.yum.log', 'wpa_supplicant.log', 'boot.log', 'spice-vdagent.log', 'anaconda.program.log']
-
##################################################
-
2.列表解析
-
-
-
-
['anaconda.ifcfg.log', 'Xorg.0.log', 'anaconda.storage.log', 'Xorg.9.log', 'yum.log', 'anaconda.log', 'dracut.log', 'pm-powersave.log', 'anaconda.yum.log', 'wpa_supplicant.log', 'boot.log', 'spice-vdagent.log', 'anaconda.program.log']
-
要求:实现两个列表中的元素逐一配对。
-
1、普通方法:
-
-
-
-
-
-
-
-
-
[('x', 1), ('x', 2), ('x', 3), ('y', 1), ('y', 2), ('y', 3), ('z', 1), ('z', 2), ('z', 3)]
-
####################################################
-
2、列表解析:
-
-
-
L3 = [ (a,b) for a in L1 for b in L2 ]
-
-
[('x', 1), ('x', 2), ('x', 3), ('y', 1), ('y', 2), ('y', 3), ('z', 1), ('z', 2), ('z', 3)]
-
1 使用列表解析生成 9*9 乘法表
-
2
-
3 print('\n'.join([''.join(['%s*%s=%-2s '%(y,x,x*y)for y in range(1,x+1)])for x in range(1,10)]))
说明:以上实例,使用列表解析比使用普通方法的速度几乎可以快1倍。因此推荐使用列表解析。
列表生成式与map()、filter()等高阶函数功能对比
- <code class="language-python">要求:把一个列表中所有的字符串转换成小写,非字符串元素原样保留
- L = ['TOM', 'Peter', 10, 'Jerry']
- # 用列表生成式实现
- list1 = [x.lower() if isinstance(x, str) else x for x in L]
- # 用map()函数实现
- list2 = list(map(lambda x: x.lower() if isinstance(x, str) else x, L))</code>
-
要求:把一个列表中所有的字符串转换成小写,非字符串元素原样保留
-
L = ['TOM', 'Peter', 10, 'Jerry']
-
# 用列表生成式实现
-
list1 = [x.lower() if isinstance(x, str) else x for x in L]
-
-
# 用map()函数实现
-
list2 = list(map(lambda x: x.lower() if isinstance(x, str) else x, L))
- <code class="language-python">要求:把一个列表中所有的字符串转换成小写,非字符串元素移除
- L = ['TOM', 'Peter', 10, 'Jerry']
- # 用列表生成式实现
- list3 = [x.lower() for x in L if isinstance(x, str)]
- # 用map()和filter()函数实现
- list4 = list(map(lambda x: x.lower(), filter(lambda x: isinstance(x, str), L)))</code>
-
要求:把一个列表中所有的字符串转换成小写,非字符串元素移除
-
L = ['TOM', 'Peter', 10, 'Jerry']
-
# 用列表生成式实现
-
list3 = [x.lower() for x in L if isinstance(x, str)]
-
-
# 用map()和filter()函数实现
-
list4 = list(map(lambda x: x.lower(), filter(lambda x: isinstance(x, str), L)))
生成器(Generator)
1. 生成器的作用
按照某种算法不断生成新的数据,直到满足某一个指定的条件结束。
2. 生成器的构造方式
构造生成器的两种方式:
- 使用类似列表生成式的方式生成 (2*n + 1 for n in range(3, 11))
- 使用包含yield的函数来生成
如果计算过程比较简单,可以直接把列表生成式改成generator;但是,如果计算过程比较复杂,就只能通过包含yield的函数来构造generator。
-
# 使用类似列表生成式的方式构造生成器
-
g1 = (2*n + 1 for n in range(3, 6))
-
-
# 使用包含yield的函数构造生成器
-
def my_range(start, end):
-
for n in range(start, end):
-
yield 2*n + 1
-
-
g2 = my_range(3, 6)
-
print(type(g1))
-
print(type(g2))
-
输出结果:
-
-
<class 'generator'>
-
<class 'generator'>
既然通过列表生成式就可以直接创建一个新的list,那么为什么还要有生成器存在呢?
生成器中的元素是按照指定的算法推算出来的,只有调用时才生成相应的数据。这样就不必一次性地把所有数据都生成,从而节省了大量的内存空间,这使得其生成的元素个数几乎是没有限制的,并且操作的返回时间也是非常快速的(仅仅是创建一个变量而已)
生成器 VS 列表推导式
列表推导式是一次性创建所有数据的,而生成器是生成对象,需要我们调用next
方法逐一获取元素。假设我创建的数据很大很大(比如一千万),列表推导式会一次性创建,需要分配很大的内存空间存放这一千万数据,而生成器不会,只是创建了一个生成器对象,所以生成器更节省内存。
可迭代对象(Iterable)
可直接用于for循环的对象统称为可迭代对象(Iterable)
我们已经知道的可迭代(可用于for循环)的数据类型有:
- 集合数据类型:如list、tuple、dict、set、str等
- 生成器(Generator)
迭代器(Iterator)
Python中的Iterator对象表示的是一个数据流,Iterator可以被next()函数调用被不断返回下一个数据,直到没有数据可以返回时抛出StopIteration
异常错误
Iterable、Iterator与Generator之间的关系
生成器对象既是可迭代对象,也是迭代器
迭代器对象一定是可迭代对象,反之则不一定: 例如list、dict、str等集合数据类型是可迭代对象,但不是迭代器,但是它们可以通过iter()函数生成一个迭代器对象
也就是说:迭代器、生成器和可迭代对象都可以用for循环去迭代,生成器和迭代器还可以被next()方函数调用并返回下一个值。
字典解析
字典的形式是: {key: val},所以字典解析式也是用花括号括起来的
-
# 快速生成值是键二倍的字典
-
ndict = {x: x*2 for x in range(5)}
-
print ndict
-
{0: 0, 1: 2, 2: 4, 3: 6, 4: 8}
集合解析
python中集合也是用花括号括起来的,所以集合解析式: {x for x in iter}
-
# 快速生成1-10的集合
-
nset = {x for x in range(1, 11)}
-
print nset
-
{1, 2, 3, 4, 5, 6, 7, 8, 9, 10}
---------------------
本文来自 努力一点点坚持一点点 的CSDN 博客 ,全文地址请点击:https://blog.csdn.net/sinat_23880167/article/details/78906819?utm_source=copy