Python ialah bahasa pengaturcaraan yang sangat pelbagai dan berkuasa! Apabila masalah perlu diselesaikan, ia mempunyai pendekatan yang berbeza. Dalam artikel ini, Pemahaman Senarai akan ditunjukkan. Kami akan membincangkan cara menggunakannya? Bilakah ia harus atau tidak boleh digunakan?
Pemahaman senarai ialah struktur sintaks yang mencipta senarai berdasarkan senarai sedia ada. Mari lihat pelaksanaan berbeza untuk mencipta senarai
Gelung ialah cara tradisional untuk mencipta senarai. Tidak kira apa jenis gelung yang anda gunakan. Untuk membuat senarai dengan cara ini, anda hendaklah:
numbers = [] for number in range(10): numbers.append(number) print(numbers)
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
Dalam contoh ini, anda membuat seketika senarai nombor kosong. Kemudian gunakan gelung for untuk melelaran ke atas julat(10) dan tambahkan setiap nombor ke penghujung senarai menggunakan kaedah append().
map() ialah satu lagi cara untuk membuat senarai. Anda perlu lulus map() fungsi dan objek lelaran, selepas itu ia mencipta objek. Objek ini mengandungi output yang diperoleh dengan melaksanakan setiap elemen lelaran menggunakan fungsi yang ditentukan.
Sebagai contoh, kita akan dibentangkan dengan tugas menambah VAT kepada harga produk tertentu.
VAT_PERCENT = 0.1# 10% def add_vat(price): return price + (price * VAT_PERCENT) prices = [10.03, 8.6, 32.85, 41.5, 22.64] grand_prices = map(add_vat, prices) print(grand_prices) grand_prices = list(grand_prices) print(grand_prices)
Anda telah membina fungsi add_vat() dan mencipta objek harga boleh lelar. Anda menghantar kedua-dua argumen ke map() dan mengumpul objek peta yang terhasil grand_prices , atau anda boleh menukarnya dengan mudah kepada senarai menggunakan list() .
<map object at 0x7f18721e7400># map(add_vat, prices) [11.03, 9.46, 36.14, 45.65, 24.9]# list(grand_prices)
Sekarang, mari kita lihat kaedah pemahaman senarai! Ini sememangnya Pythonic dan cara yang lebih baik untuk membuat senarai. Untuk melihat betapa kuatnya pendekatan ini, mari kita tulis semula contoh gelung dengan satu baris kod.
numbers = [number for number in range(10)] print(numbers)
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
Seperti yang anda lihat, ini adalah kaedah yang luar biasa! Pemahaman senarai kelihatan cukup boleh dibaca sehingga anda tidak perlu menulis lebih banyak kod daripada hanya satu baris.
Untuk memahami senarai dengan lebih baik, lihat format sintaks berikut:
new_list = [expression for member in iterable]
Baiklah, kami telah mempelajari cara menggunakan gelung, peta () dan senaraikan pemahaman untuk membuat senarai, soalan "kaedah manakah yang lebih cekap" mungkin timbul dalam fikiran anda. Mari analisa!
import random import timeit VAT_PERCENT = 0.1 PRICES = [random.randrange(100) for x in range(100000)] def add_vat(price): return price + (price * VAT_PERCENT) def get_grand_prices_with_map(): return list(map(add_vat, PRICES)) def get_grand_prices_with_comprehension(): return [add_vat(price) for price in PRICES] def get_grand_prices_with_loop(): grand_prices = [] for price in PRICES: grand_prices.append(add_vat(price)) return grand_prices print(timeit.timeit(get_grand_prices_with_map, number=100)) print(timeit.timeit(add_grand_prices_with_comprehension, number=100)) print(timeit.timeit(get_grand_prices_with_loop, number=100))
0.9833468980004909# with_map 1.197223742999995 # with_comprehension 1.3564663889992516# with_loop
Seperti yang kita lihat sekarang, cara terbaik untuk mencipta senarai ialah map(), cara kedua terbaik ialah pemahaman senarai, dan akhirnya gelung.
Walau bagaimanapun, pilihan kaedah harus bergantung pada apa yang anda ingin capai.
Terdahulu, saya tunjukkan formula ini kepada anda:
new_list = [expression for member in iterable]
Formula mungkin agak Tidak lengkap . Penerangan yang lebih lengkap tentang ungkapan analitikal menambah sokongan untuk syarat pilihan. Cara yang paling biasa untuk menambah logik bersyarat pada pemahaman senarai ialah menambah bersyarat pada penghujung ungkapan:
new_list = [expression for member in iterable (if conditional)]
Di sini, pernyataan bersyarat anda berada di dalam kurungan kanan.
syarat adalah penting kerana ia membenarkan pemahaman senarai menapis nilai yang tidak diingini, yang juga mungkin dalam kes umum dengan memanggil filter():
numbers = [number for number in range(20) if number % 2 == 0] print(numbers)
[0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
Seperti yang anda ada As anda boleh lihat, ungkapan analitikal ini mengumpul nombor yang boleh dibahagi dengan 2 dan tidak mempunyai baki.
Jika anda memerlukan penapis yang lebih kompleks, anda juga boleh mengalihkan logik bersyarat ke dalam fungsi yang berasingan.
def is_prime(number): if number > 1: for el in range(2, int(number/2)+1): if (number % el) == 0: return False else: return True numbers = [number for number in range(20) if is_prime(number)] print(numbers)
[2, 3, 5, 7, 11, 13, 17, 19]
Anda membina is_prime(nombor) untuk menentukan sama ada ia adalah perdana dan mengembalikan boolean. Seterusnya, anda harus menambah fungsi kepada keadaan ungkapan analitik.
Formula ini membolehkan anda memilih daripada beberapa pilihan keluaran yang mungkin menggunakan logik bersyarat. Sebagai contoh, anda mempunyai senarai harga produk, jika terdapat nombor negatif, anda harus menukarnya kepada nombor positif:
price_list = [1.34, 19.01, -4.2, 6, 8.78, -1,1] normalized_price_list = [price if price > 0 else price*-1 for price in price_list] print(normalized_price_list)
[1.34, 19.01, 4.2, 6, 8.78, 1,1]
Di sini, harga ungkapan anda mempunyai penyata bersyarat, jika harga > 0 harga lain*-1. Ini memberitahu Python untuk mengeluarkan nilai harga jika harga adalah positif, tetapi untuk menukar harga kepada nilai positif jika harga adalah negatif. Ciri ini berkuasa dan sangat berguna untuk memikirkan logik bersyarat sebagai fungsinya sendiri:
def normalize_price(price): return price if price > 0 else price*-1 price_list = [1.34, 19.01, -4.2, 6, 8.78, -1,1] normalized_price_list = [normalize_price(price) for price in price_list] print(normalized_price_list)
[1.34, 19.01, 4.2, 6, 8.78, 1,1]
您还可以创建一个集合解析式！它基本与列表解析式相同。不同之处在于集合解析式不包含重复项。您可以通过使用花括号取代方括号来创建集合解析式：
string = "Excellent"
unique_string = {letter for letter in string}
print(unique_string){"E", "e", "n", "t", "x", "c", "l"}你的集合解析式只包含唯一的字母。这与列表不同，集合不保证项目将以特定顺序存储数据。这就是为什么集合输出的第二个字母是 e，即使字符串中的第二个字母是 x。
字典解析式也是是类似的，但需要定义一个键：
string = "Words are but wind"
word_order = {el: ind+1 for ind, el in enumerate(string.split())}
print(word_order){"Words": 1, "are": 2, "but": 3, "wind": 4}要创建 word_order 字典，请在表达式中使用花括号 ({}) 以及键值对 (el: ind+1)。
Python 3.8 中引入的海象运算符允许您一次解决两个问题：为变量赋值，返回该值。
假设您需要对将返回温度数据的 API 应用十次。您想要的只是 100 华氏度以上的结果。而每个请求可能都会返回不同的数据。在这种情况下，没有办法在 Python 中使用列表解析式来解决问题。可迭代成员（如果有条件）的公式表达式无法让条件将数据分配给表达式可以访问的变量。
海象运算符解决了这个问题。它允许您在执行表达式的同时将输出值分配给变量。以下示例显示了这是如何实现的，使用 get_weather_data() 生成伪天气数据：
import random def get_weather_data(): return random.randrange(90, 110) hot_temps = [temp for item in range(20) if (temp := get_weather_data()) >= 100] print(hot_temps)
[108, 100, 106, 103, 108, 106, 103, 104, 109, 106]
列表解析式非常有用，它可以帮助您编写清晰且易于阅读和调试的代码。但在某些情况下，它们可能会使您的代码运行速度变慢或使用更多内存。如果它让您的代码效率更低或更难理解，那么可以考虑选择另一种方式。
可以通过嵌套解析式以创建列表、字典和集合的组合集合（译者注：这个集合不是指 set 对象类型，而是 collection，泛指容器）。例如，假设一家公司正在跟踪一年中五个不同城市的收入。存储这些数据的完美数据结构可以是嵌套在字典解析式中的列表解析式。
cities = ['New York', 'Oklahoma', 'Toronto', 'Los Angeles', 'Miami']
budgets = {city: [0 for x in range(12)] for city in cities}
print(budgets){
"NewYork": [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
"Oklahoma": [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
"Toronto": [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
"LosAngeles": [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
"Miami": [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
}您使用字典解析式创建了 budgets 容器。该表达式是一个键值对，其中包含另一个解析式。此代码将快速生成城市中每个 city 的数据列表。
嵌套列表是创建矩阵的常用方法，通常用于数学目的。查看下面的代码块：
matrix = [[x for x in range(7)] for y in range(6)] print(matrix)
[ [0, 1, 2, 3, 4, 5, 6], [0, 1, 2, 3, 4, 5, 6], [0, 1, 2, 3, 4, 5, 6], [0, 1, 2, 3, 4, 5, 6], [0, 1, 2, 3, 4, 5, 6], [0, 1, 2, 3, 4, 5, 6] ]
外部列表解析式 [... for y in range(6)] 创建了六行，而内部列表解析式 [x for x in range(7)] 将用值填充这些行中的每一行。
到目前为止，每个嵌套解析式的目标都是真正且直观的。但是，还有一些其他情况，例如创建扁平化的嵌套列表，其中的逻辑可以使您的代码非常难以阅读。让我们看下面的例子，使用嵌套列表解析式来展平一个矩阵：
matrix = [ [0, 1, 0], [1, 0, 1], [2, 1, 2], ] flat = [num for row in matrix for num in row] print(flat)
[0, 1, 0, 1, 0, 1, 2, 1, 2]
扁平化矩阵的代码确实很简洁，但是太难理解了，您应该花点时间弄清楚它是如何工作的。另一方面，如果您使用 for 循环来展平相同的矩阵，那么您的代码将更加简单易读：
matrix = [ [0, 1, 0], [1, 0, 1], [2, 1, 2], ] flat = [] for row in matrix: for num in row: flat.append(num) print(flat)
[0, 1, 0, 1, 0, 1, 2, 1, 2]
现在，您可以看到代码一次遍历矩阵的一行，在移动到下一行之前取出该行中的所有元素。
虽然嵌套列表解析式可能看起来更具有 Python 风格，但对于能够编写出您的团队可以轻松理解和修改的代码来才是更加最重要的。当选择一个方法时，您应该根据解析式是有助于还是有损于可读性来做出相应的判断。
Python 中的列表解析式通过将整个列表存储到内存中来工作。对于小型至中型列表这通常很好。如果您想将前一千个整数相加，那么列表解析式将轻松地解决此任务：
summary = sum([x for x in range(1000)]) print(summary)
499500
但是，如果您需要对十亿个数字求和呢？您可以尝试执行此操作，但您的计算机可能不会有响应。这是可能因为计算机中分配大量内存。也许您是因为计算机没有如此多的内存资源。
例如，你想要一些第一个十亿整数，那么让我们使用生成器！这可能多需要一些时间，但计算机应该可以克服它：
summary = sum((x for x in range(1000000000))) print(summary)
499999999500000000
让我们来对比一下哪种方法是更优的！
import timeit def get_sum_with_map(): return sum(map(lambda x: x, range(1000000000))) def get_sum_with_generator(): return sum((x for x in range(1000000000))) print(timeit.timeit(get_sum_with_map, number=100)) print(timeit.timeit(get_sum_with_generator, number=100))
4940.844053814# get_sum_with_map 3464.1995523349997# get_sum_with_generator
正如您所见，生成器比 map() 高效得多。
本文向您介绍了列表解析式，以及如何使用它来解决复杂的任务，而不会使您的代码变得过于困难。
Kini anda:
Atas ialah kandungan terperinci Bagaimana untuk menggunakan analisis senarai Python?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
![[Web front-end] Permulaan pantas Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
