众所周知，Python列表推导的工作原理比循环要快。但是，在某些情况下，它们可能会严重破坏程序的性能，甚至导致内存崩溃。在这些情况下，需要考虑使用生成器表达式。

从语法上讲，这两个非常相似。它们之间的唯一区别是，您可以使用声明列表推导[]和，使用来声明生成器表达式()，就像这样：

list_compr = [x**2 for x in range(10)]
gen_expr = (x**2 for x in range(10)

关键是要对列表理解进行评估。在交互式shell中定义列表理解后，我们将获得结果列表：

>>> [x**2 for x in range(10)]
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

相反，生成器表达式将返回生成器对象：

>>> (x**2 for x in range(10))
<generator object <genexpr> at 0x0000023DD840F7C8>

生成器正常运行，需要使用next()方法，迭代生成器表达式或使用类似list()，set()或tuple()方法。

在上面的示例中，使用列表推导实际上更可取。当内存不是问题时，它们将优于生成器表达式。

当需要处理大量数据时，就会出现问题，因为列表推导会立即将所有输出的数据存储在内存中（就像我们在代码中看到的那样）。

相反，生成器是一种概念，旨在一次生成一个（产量）结果，而不是将整个数据结构加载到内存中。这样就可以处理庞大的数据集，而不会出现内存使用量激增的风险。

生成器的优点：

1.表情与像功能特别有用sum()，min()和max()。

2.生成器表达式可以轻松地链接（组合）在一起，从而创建一个数据管道，可以逐项处理大量数据。

**缺点：**不适用于需要多次使用这些值的情况，因为一旦生成器用尽，就无法访问其生成的值。

执行一个小型基准测试，如何将生成器的表达式链接在一起。我们将要进行以下操作：
1）计算文件中每行的长度，
2）然后从每行长度中提取平方根，
3）求平方根。

我使用.txt格式的“夏洛克·福尔摩斯历险记”，你们可以选择其他一些文本文件。

让我们首先使用列表推导：

import time

execution = []
for i in range(100):
    start = time.time()
    filename = 'Sherlock Holmes.txt'
    lengths = [len(line) for line in open(filename)]
    roots = [x**0.5 for x in lengths]
    print(sum(roots))
    end = time.time()
    execution.append(end-start)
print(f'Avg execution time with list comprehensions: '
      f'{sum(execution)/len(execution):.5f}')

使用生成器表达式，此代码看起来几乎相同：

import time

execution = []
for i in range(100):
    start = time.time()
    filename = 'Sherlock Holmes.txt'
    lengths = (len(line) for line in open(filename))
    roots = (x**0.5 for x in lengths)
    print(sum(roots))
    end = time.time()
    execution.append(end-start)
print(f'Avg execution time with generator expressions: '
      f'{sum(execution)/len(execution):.5f}')

第二个块将以不同的方式运行。Python不会在每一行上产生整个结果，而是从文件中读取一行，然后测量其长度，然后将其加到总和上。然后，解释器将继续进行下一行，依此类推。这正是将生成器表达式链接（组成）到数据管道中的意思。

因此，让我们运行两个版本：

Avg execution time with list comprehensions: 0.00486
Avg execution time with generator expressions: 0.00530

如您所见，在此数据集上，列表理解的运行速度更快。但是，如果我在包含超过1000万行的文件上运行相同的代码，结果将有所不同（我只是将文本复制粘贴到Sherlock Holmes中多次）：

Avg execution time with list comprehensions: 4.26855
Avg execution time with generator expressions: 3.79113

如您所见，在这种情况下，生成器表达式已被理解：

结论

综上所述，生成器表达式在处理大型数据集时效率更高，并且可以帮助您的程序避免崩溃。而且，它们很容易链接在一起，从而创建了能够一一生成结果值的数据管道。

同时，在较小的数据（较小的数据-取决于计算机）上，列表理解通常胜过生成器表达式，如果您需要多次访问生成的数据，则列表理解会更有用。

Python技巧：避免大列表理解，生成器表达式往往更有用~

结论