【Python基础】Python推导式

2024-09-07 02:52
文章标签 python 基础 推导

本文主要是介绍【Python基础】Python推导式,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本文收录于 《Python编程入门》专栏,从零基础开始,分享一些Python编程基础知识,欢迎关注,谢谢!

文章目录

    • 一、前言
    • 二、列表推导式
    • 三、元组推导式(生成器表达式)
    • 四、字典推导式
    • 五、集合推导式
    • 六、总结

一、前言

Python推导式(Comprehensions)是Python语言中一种独特且强大的语法特性,用于从已有的可迭代对象(如列表、元组、字典、集合)快速创建新的可迭代对象。推导式不仅提高了代码的可读性和编写效率,还能显著提升性能。

本文将详细介绍Python中的四种推导式:列表推导式、元组推导式、字典推导式和集合推导式。

  • 什么是Python?

    Python是由荷兰人吉多·范罗苏姆于1990年初设计的一门高级编程语言,该语言应用领域非常广泛,尤其在数据科学、人工智能、游戏开发等领域,它已经成为最受欢迎的程序设计语言之一,非常适合新手学习。

    Python语言标准库官方使用手册:https://docs.python.org/zh-cn/3/library/turtle.html#turtle-methods

  • Python语言有哪些特点?

    1.易于学习:Python有相对较少的关键字,结构简单,和一个明确定义的语法,学习起来更加简单。

    2.易于阅读:Python代码定义的更清晰。

    3.易于维护:Python的成功在于它的源代码是相当容易维护的。

    4.丰富的库:Python的最大的优势之一具有丰富的标准库,并且跨平台的,在UNIX,Windows和Mac兼容很好。

    5.面向对象:Python支持面向对象编程,在“面向对象”的语言中,程序是由数据和功能组合而成的对象构建起来的。

    6.可移植:基于其开放源代码的特性,Python已经被移植(也就是使其工作)到许多平台。

    7.可扩展:如果你需要一段运行很快的关键代码,或者是想要编写一些不愿开放的算法,你可以使用C或C++完成那部分程序,然后从你的Python程序中调用。

    8.可嵌入: 你可以将Python嵌入到C/C++程序,让你的程序的用户获得"脚本化"的能力。

    在这里插入图片描述

二、列表推导式

列表推导式是Python中最常用的一种推导式,它允许我们通过一个简洁的表达式从一个可迭代对象生成一个新的列表。

其基本格式如下:

[expression for element in iterable if condition]

这里的expression是对element进行操作以生成新列表元素的表达式,iterable是任何可迭代对象(如列表、元组、范围等),condition是一个可选的条件表达式,用于筛选元素。

例如,生成一个包含0到9的平方数的列表:

squares = [x**2 for x in range(10)]print(squares)  # 输出:[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

如果只想生成偶数的平方,可以使用条件表达式:

even_squares = [x**2 for x in range(10) if x % 2 == 0]print(even_squares)  # 输出:[0, 4, 16, 36, 64]

假设我们有一个数字列表,希望得到每个数字的平方组成的新的列表。

使用传统的方法,我们需要编写一个循环,如下:

numbers = [1, 2, 3, 4, 5]
squares = []for num in numbers:squares.append(num ** 2)print(squares) # 输出:[1, 4, 9, 16, 25]

使用列表推导式,上述代码可以简化,如下:

numbers = [1, 2, 3, 4, 5]squares = [num ** 2 for num in numbers]print(squares) # 输出:[1, 4, 9, 16, 25]

具体应用案例:假设你有一个包含员工姓名的列表,需要根据姓名长度生成一个新的列表,其中包含姓名长度大于5的员工姓名。

使用列表推导式,你可以这样写:

employee_names = ['Alice', 'Bob', 'Charlie', 'Dave', 'Eva']long_names = [name for name in employee_names if len(name) >= 5]print(long_names) # 输出:['Alice', 'Charlie']

三、元组推导式(生成器表达式)

元组推导式与列表推导式非常相似,唯一的区别是它使用圆括号()而不是方括号[]。元组推导式生成的是一个生成器(Generator),可以逐个生成元素,因此在处理大数据集时更加节省内存。

其格式如下:

(expression for element in iterable if condition)

例如,创建一个平方数生成器:

squares_generator = (x**2 for x in range(10))   # 返回的是生成器对象print(squares_generator)  # 输出:<generator object <genexpr> at 0x...>

注意,这里返回的是生成器对象squares_generator,不是元组对象,可以使用tuple()函数转换为元组对象后,进行打印输出,如下:

tuple1 = tuple(squares_generator)print(tuple1) #输出:(0, 1, 4, 9, 16, 25, 36, 49, 64, 81)

也可以使用生成器逐个打印输出,如下:

for square in squares_generator:print(square, end=" ")  # 输出:0 1 4 9 16 25 36 49 64 81

四、字典推导式

字典推导式用于从一个可迭代对象生成一个新的字典。其格式如下:

{key_expression: value_expression for element in iterable if condition}

这里,key_expression和value_expression分别用于生成新字典的键和值,item是来自iterable的每个元素,condition是可选的过滤条件。

假设我们有一个包含学生名字和成绩的字典,现在想要创建一个新字典,其中只包含成绩及格(60分以上 )的学生信息。

使用传统方法,我们需要编写如下代码:

student_scores = {'Alice': 85, 'Bob': 72, 'Charlie': 90, 'Dave': 58}
passed_students = {}for name, score in student_scores.items():if score >= 60:passed_students[name] = scoreprint(passed_students)  # 输出:{'Alice': 85, 'Bob': 72, 'Charlie': 90}

使用字典推导式,上述代码可以简化为:

student_scores = {'Alice': 85, 'Bob': 72, 'Charlie': 90, 'Dave': 58}passed_students = {name: score for name, score in student_scores.items() if score >= 60}print(passed_students)  # 输出:{'Alice': 85, 'Bob': 72, 'Charlie': 90}

五、集合推导式

集合推导式用于从一个可迭代对象生成一个新的集合。集合中的元素是唯一的,因此推导式生成的集合自动去重。

其格式如下:

{expression for element in iterable if condition}

这里,expression是对iterable中的每个item进行操作的表达式,condition是可选的过滤条件。

假设你有一个包含用户ID的列表,需要去除重复的ID并生成一个新的集合。

使用传统的方法,我们需要编写一个循环:

user_ids = [1, 2, 2, 3, 4, 4, 5, 6, 6]
unique_user_ids = set()for id in user_ids:unique_user_ids.add(id)print(unique_user_ids) # 输出:{1, 2, 3, 4, 5, 6}

使用集合推导式,你可以这样写:

user_ids = [1, 2, 2, 3, 4, 4, 5, 6, 6]unique_user_ids = {user_id for user_id in user_ids}print(unique_user_ids) # 输出:{1, 2, 3, 4, 5, 6}

六、总结

Python推导式提供了一种简洁而高效的方式来创建新的可迭代对象。通过合理使用列表推导式、元组推导式(生成器表达式)、字典推导式和集合推导式,可以显著提高代码的可读性和性能。然而,也要注意保持推导式的简单明了,避免过度复杂化,以保证代码的可读性和可维护性。

如果您对文章中内容有疑问,欢迎在评论区进行留言,我会尽量抽时间给您回复。如果文章对您有帮助,欢迎点赞、收藏。您的点赞,是对我最大的支持和鼓励,谢谢 :-)

这篇关于【Python基础】Python推导式的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1143851

相关文章

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

uva 10014 Simple calculations(数学推导)

直接按照题意来推导最后的结果就行了。 开始的时候只做到了第一个推导,第二次没有继续下去。 代码: #include<stdio.h>int main(){int T, n, i;double a, aa, sum, temp, ans;scanf("%d", &T);while(T--){scanf("%d", &n);scanf("%lf", &first);scanf

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

nudepy,一个有趣的 Python 库!

更多资料获取 📚 个人网站:ipengtao.com 大家好,今天为大家分享一个有趣的 Python 库 - nudepy。 Github地址:https://github.com/hhatto/nude.py 在图像处理和计算机视觉应用中,检测图像中的不适当内容(例如裸露图像)是一个重要的任务。nudepy 是一个基于 Python 的库,专门用于检测图像中的不适当内容。该

【Linux 从基础到进阶】Ansible自动化运维工具使用

Ansible自动化运维工具使用 Ansible 是一款开源的自动化运维工具,采用无代理架构(agentless),基于 SSH 连接进行管理,具有简单易用、灵活强大、可扩展性高等特点。它广泛用于服务器管理、应用部署、配置管理等任务。本文将介绍 Ansible 的安装、基本使用方法及一些实际运维场景中的应用,旨在帮助运维人员快速上手并熟练运用 Ansible。 1. Ansible的核心概念

AI基础 L9 Local Search II 局部搜索

Local Beam search 对于当前的所有k个状态,生成它们的所有可能后继状态。 检查生成的后继状态中是否有任何状态是解决方案。 如果所有后继状态都不是解决方案,则从所有后继状态中选择k个最佳状态。 当达到预设的迭代次数或满足某个终止条件时,算法停止。 — Choose k successors randomly, biased towards good ones — Close

pip-tools:打造可重复、可控的 Python 开发环境,解决依赖关系,让代码更稳定

在 Python 开发中,管理依赖关系是一项繁琐且容易出错的任务。手动更新依赖版本、处理冲突、确保一致性等等,都可能让开发者感到头疼。而 pip-tools 为开发者提供了一套稳定可靠的解决方案。 什么是 pip-tools? pip-tools 是一组命令行工具,旨在简化 Python 依赖关系的管理,确保项目环境的稳定性和可重复性。它主要包含两个核心工具:pip-compile 和 pip