Effective Python 条款7 用列表推导来取代map和filter
作为Python开发者，我们经常需要对数据进行转换和过滤操作。今天我要分享一个让代码更Pythonic的技巧——使用列表推导式替代map和filter函数。这个改变看似简单，却能显著提升代码的可读性和可维护性。
一、什么是列表推导式？
列表推导式（List Comprehension）是Python中一种优雅且高效的语法结构，可以用简洁的方式从一个可迭代对象创建新的列表。
# 计算1-10的平方列表
squares = [x2 for x in range(1, 11)]
print(squares)
# 输出：[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
二、列表推导式 vs map函数
- 可读性对比
先看一个简单的例子：将列表中的每个元素乘以2。
列表推导式实现：
numbers = [1, 2, 3, 4, 5]
doubled = [x * 2 for x in numbers]
map函数实现：
doubled = list(map(lambda x: x * 2, numbers))
对比表格：
| 特性 | 列表推导式 | map函数 |
|---|---|---|
| 代码简洁性 | ★★★★★ | ★★★☆☆ |
| 可读性 | ★★★★★ | ★★☆☆☆ |
| 调试便利性 | ★★★★★ | ★★☆☆☆ |
| 学习曲线 | ★★☆☆☆ | ★★★★☆ |
- 性能对比
很多开发者关心性能问题，我们做个简单测试：
import timeit# 列表推导式
def test_list_comprehension():return [x2 for x in range(1000)]# map函数
def test_map():return list(map(lambda x: x2, range(1000)))print(timeit.timeit(test_list_comprehension, number=10000))
print(timeit.timeit(test_map, number=10000))
在我的测试环境中（Python 3.9），结果如下：
- 列表推导式：约1.2秒
- map函数：约1.5秒
可以看到，列表推导式在性能上也有轻微优势！
三、列表推导式 vs filter函数
列表推导式更强大的地方在于它可以轻松实现过滤功能。
- 过滤偶数示例
列表推导式实现：
numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
even_numbers = [x for x in numbers if x % 2 == 0]
filter函数实现：
even_numbers = list(filter(lambda x: x % 2 == 0, numbers))
- 复杂过滤转换示例
假设我们需要：过滤出偶数，然后计算平方
列表推导式：
result = [x2 for x in numbers if x % 2 == 0]
map+filter组合：
result = list(map(lambda x: x2, filter(lambda x: x % 2 == 0, numbers)))
对比表格：
| 特性 | 列表推导式 | map+filter组合 |
|---|---|---|
| 代码行数 | 1行 | 1行（但更长） |
| 可读性 | 直观 | 需要嵌套理解 |
| 执行效率 | 相当 | 相当 |
| 支持多重条件 | 是 | 需要多个filter |
四、高级用法：字典和集合推导式
推导式的概念不仅限于列表，Python还支持字典和集合推导式。
- 字典推导式
# 键值交换
original = {'a': 1, 'b': 2, 'c': 3}
inverted = {v: k for k, v in original.items()}
print(inverted) # 输出：{1: 'a', 2: 'b', 3: 'c'}# 创建字典
squares_dict = {x: x2 for x in range(5)}
print(squares_dict) # 输出：{0: 0, 1: 1, 2: 4, 3: 9, 4: 16}
- 集合推导式
# 去重并转换
words = ['hello', 'world', 'python']
lengths = {len(word) for word in words}
print(lengths) # 输出：{5, 6}
五、什么时候该用map/filter？
虽然列表推导式在大多数情况下是更好的选择，但在某些特定场景下，map和filter可能更合适：
-
已有命名函数：
def process(x):return x * 2 + 1result = list(map(process, numbers)) -
处理超大数据集（惰性求值优势）：
# 不会立即计算所有结果 big_data = map(process, very_large_iterable) -
函数式编程风格：
from functools import reduce result = reduce(lambda x, y: x+y, map(lambda x: x*2, filter(lambda x: x>5, numbers)))
六、性能优化建议
-
大数据集处理：
- 列表推导式会立即创建整个列表
- map/filter返回迭代器，内存效率更高
-
多层循环优化：
# 不好的写法 result = [x*y for x in range(100) for y in range(100)]# 更好的写法（使用生成器表达式） result = (x*y for x in range(100) for y in range(100))
七、总结
通过本文的对比分析，我们可以得出以下结论：
- 优先使用列表推导式：在大多数情况下，它提供了更好的可读性和简洁性
- 合理使用map/filter：在特定场景下（已有命名函数、大数据量处理等）可以考虑使用
- 掌握多种推导式：字典和集合推导式同样强大
记住Python之禅的教诲：“可读性很重要”。列表推导式正是这一哲学的优秀实践，它能让你的代码更加Pythonic！