列表推导式在大数据量下变慢是因为一次性生成全部元素并存入内存，导致内存分配、扩容和引用计数开销上升；应优先使用生成器表达式、避免重复调用高开销函数、将条件过滤置于推导式内部。
为什么列表推导式在大数据量下会变慢？
列表推导式本身不慢，慢的是它默认一次性生成全部元素并存入内存——当处理百万级数据时，list对象的内存分配、扩容和引用计数开销会明显上升。更关键的是，如果后续只是逐个消费（比如传给sum()或any()），却提前构建完整列表，属于典型的空间换时间失败。
用生成器表达式替代列表推导式
把方括号换成圆括号，就能得到生成器表达式，它延迟计算、按需产出，内存占用几乎恒定。
- 错误写法：
[x * 2 for x in range(10**7)]—— 瞬间吃掉几百MB内存 - 正确写法：
(x * 2 for x in range(10**7))—— 几乎零内存，且可直接传给sum()、max()等函数 - 注意：生成器只能遍历一次；若需多次使用，要么重构建，要么转为
list（但仅在必要时）
避免在推导式中重复调用高开销函数
如果推导式里反复调用如os.path.getsize()或正则匹配re.search()，性能会急剧下降——每次迭代都重新执行。
python-script-generator
下载
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- 低效写法：
[process_data(get_raw_value(x)) for x in data]——get_raw_value()被调用 len(data) 次 - 优化写法：先映射再推导，或用
map()配合预处理：[process_data(val) for val in map(get_raw_value, data)] - 更清晰的替代：
map(process_data, map(get_raw_value, data))，全程不构建中间列表
条件过滤放在推导式内部，而非外层循环
推导式中的if是编译期优化过的过滤逻辑，比在外层用filter()或显式for循环+append()快10%–30%，尤其当过滤比例较高时。
立即学习“Python免费学习笔记（深入）”；
- 推荐：
[x for x in data if x > 0 and is_valid(x)] - 不推荐：
list(filter(lambda x: x > 0 and is_valid(x), data))（额外函数调用开销） - 更差：
result = []; for x in data: if x > 0 and is_valid(x): result.append(x)（解释器指令更多）
真正影响耗时的，往往不是语法糖本身，而是你有没有让数据“流”起来——别急着落地成list，也别让同一个函数反复算。大数据场景下，多看一眼内存监控，比调优一行推导式更有用。
