Python推导式、迭代器和生成器的对比
Python推导式、迭代器和生成器的对比
一、形象比喻（快速理解）
- 推导式：“批量生产 + 装满货箱”
推导式本质是 “一次性生产所有元素，直接装满货箱（容器：列表 / 字典 / 集合）”：
你告诉工厂 “按规则生产 100 个零件”，工厂会立刻把 100 个零件全做出来，装进货箱（比如列表）里交给你；
货箱里的元素是实实在在存在的，占用内存，你可以随时开箱拿任意一个（比如
list[5]）；就像你买一箱苹果，商家直接给你装满一箱，你当场就能数、能挑。
比如列表推导式[x*2 for x in range(5)]，会直接生成[0,2,4,6,8]这个 “装满的货箱”。
- 迭代器：“按单取货（货箱已备好）”
迭代器是 “货箱已经装满，但你一次只取一个，取完为止”：
货箱里的元素早就存在（比如列表转的迭代器
iter([0,2,4,6,8])），只是你不能直接翻箱，必须 “喊一声取一个”（next()）；取走一个就少一个，不能回头取已经拿过的（比如取了第 3 个，就不能再拿第 2 个）；
像自动售货机，货道里的饮料早就备好，你按一次出一瓶，直到卖完。
- 生成器：“按需生产 + 现做现送”
生成器是 “没有现成货箱，客户要一个才生产一个，生产完直接送走，不囤货”：
工厂里没有成品，你要一个零件，工厂才临时做一个给你，做完不存，接着做下一个；
完全不占用 “囤货的内存”，哪怕要生产 100 万个，也只在生产当下占用一点点资源；
像现做现卖的奶茶店，你点一杯才做一杯，做完直接给你，店里不囤成品奶茶。
二、核心知识点总结
1. 推导式
本质：用简洁语法批量生成容器（列表 / 字典 / 集合）的工具，一次性生成所有元素并存储。
（1）类型与操作
| 类型 | 语法 | 示例 |
|---|---|---|
| 列表推导式 | [表达式 for 变量 in 可迭代 if 条件] |
[x*2 for x in range(5) if x%2==0] → [0, 4, 8] |
| 字典推导式 | {键:值 for 变量 in 可迭代 if 条件} |
{x:x*2 for x in range(5)} → {0:0, 1:2, 2:4, 3:6, 4:8} |
| 集合推导式 | {表达式 for 变量 in 可迭代 if 条件} |
{x*2 for x in range(5)} → {0, 2, 4, 6, 8} |
（2）注意点
⚠️ 一次性生成所有元素，占用内存与元素数量正相关（不适合超大数据集，比如生成 100 万元素的列表会直接占满内存）；
✅ 支持嵌套循环（如
[x for row in [[1,2],[3,4]] for x in row]展平矩阵），但嵌套超过 2 层可读性会暴跌；❌ 仅用于 “生成容器”，无法直接嵌入打印、延迟等动作（需结合普通循环）。
2. 迭代器
本质：实现了__iter__()和__next__()方法的对象，按需逐个返回元素（不提前存储）。
（1）核心操作
# 创建迭代器：将可迭代对象（列表/字符串）转为迭代器
my_iter = iter([1, 2, 3])
# 取值：调用next()逐个获取（惰性！）
print(next(my_iter)) # 1 （首次计算）
print(next(my_iter)) # 2 （第二次计算）
print(next(my_iter)) # 3 （第三次计算）
# next(my_iter) # ❌ 无元素时抛StopIteration异常
（2）注意点
✅ 惰性取值：仅在调用
next()时返回元素，节省内存（哪怕是 100 万元素的列表转迭代器，初始内存占用几乎为 0）；⚠️ 一次性遍历：元素取出后无法回溯（比如取了第 3 个元素，就不能再拿第 2 个，需重新创建迭代器）；
❗ 可迭代对象（如列表
[1,2,3]）≠ 迭代器：可迭代对象需通过iter()转为迭代器才能用next()。
3. 生成器
本质：特殊的迭代器（自动实现迭代器协议），通过yield或推导式创建，按需生成元素。
（1）类型与操作
① 生成器推导式
gen = (x*2 for x in range(5)) # 生成器对象（初始无任何元素）
print(next(gen)) # 0 （按需生成）
print(next(gen)) # 2 （按需生成）
② 生成器函数（带yield）
def my_generator():
for i in range(3):
yield i*2 # 暂停函数，返回值；下次next()从这里继续
gen = my_generator()
print(next(gen)) # 0
print(next(gen)) # 2
print(next(gen)) # 4
（2）注意点
✅ 极致惰性：
yield暂停函数执行，下次next()才继续生成（真正 “现做现卖”，无限序列也能处理，比如(x for x in itertools.count())）；⚠️ 同样一次性遍历：生成器耗尽后无法复用（需重新调用生成器函数 / 推导式）；
✨ 高级操作：生成器函数可通过
send()传值（双向通信），比如：def gen(): while True: x = yield yield x*2 g = gen() next(g) # 启动生成器 print(g.send(3)) # 6 （传入3，返回3*2）
三、三者核心区别对比
| 特性 | 推导式 | 迭代器 | 生成器 |
|---|---|---|---|
| 元素存储 | 📦 一次性存储所有元素 | 🚫 不存储元素（按需取） | 🚫 不存储元素（按需生成） |
| 内存占用 | 🚨 高（与元素数量相关） | 🟢 低（仅存状态） | 🟢 极低（零库存） |
| 遍历特性 | 🔄 可重复遍历 | ⚡ 一次性遍历 | ⚡ 一次性遍历 |
| 适用场景 | 小数据集生成容器 | 按需读取已有数据 | 动态生成数据（超大 / 无限序列） |
