高级选择工具
全面的列表选择技术
列表推导式
列表推导式提供了一种简洁的方式，可根据特定条件创建和选择列表元素。
## 基本列表推导式
numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
## 选择偶数
even_numbers = [num for num in numbers if num % 2 == 0]
## 结果: [2, 4, 6, 8, 10]
## 转换并选择
squared_evens = [num**2 for num in numbers if num % 2 == 0]
## 结果: [4, 16, 36, 64, 100]
filter 方法
filter() 函数提供了另一种强大的选择方法：
## 使用 filter() 选择元素
def is_positive(x):
return x > 0
mixed_numbers = [-1, 0, 1, 2, -3, 4]
positive_numbers = list(filter(is_positive, mixed_numbers))
## 结果: [1, 2, 4]
高级选择技术
多条件选择
## 具有多个条件的复杂选择
data = [
{'name': 'Alice', 'age': 25, 'city': 'New York'},
{'name': 'Bob', 'age': 30, 'city': 'San Francisco'},
{'name': 'Charlie', 'age': 35, 'city': 'New York'}
]
## 选择符合多个条件的项目
selected_people = [
person for person in data
if person['age'] > 25 and person['city'] == 'New York'
]
## 结果: [{'name': 'Charlie', 'age': 35, 'city': 'New York'}]
选择方法比较
| 方法 |
使用场景 |
性能 |
灵活性 |
| 切片 |
简单范围选择 |
高 |
中等 |
| 列表推导式 |
条件选择 |
中等 |
高 |
| filter() |
函数式选择 |
中等 |
高 |
高级选择流程
graph TD
A[列表选择] --> B[基本索引]
A --> C[切片]
A --> D[推导式]
A --> E[filter 方法]
D --> F[条件选择]
E --> G[函数式选择]
实际选择策略
组合多种技术
## 组合多种方法的复杂选择
numbers = range(1, 21)
result = [
x**2 for x in filter(lambda n: n % 2 == 0, numbers)
if x**2 < 100
]
## 结果: [4, 16, 36, 64]
性能考量
- 列表推导式通常更快
- 对于大型列表，
filter() 更节省内存
- 根据具体用例选择方法
要点总结
- 存在多种选择技术
- 每种方法都有独特优势
- 推导式提供最大灵活性
- 考虑性能和可读性
LabEx 建议掌握这些高级选择工具，以编写更高效、易读的 Python 代码。
