好吧，所以我可能不应该担心这个，但我有一些代码是为了通过一组过滤器和 map 传递一个(可能很长，可能很短)可能性列表，并且其他事情，我想知道我的实现是否会表现良好。
作为我想做的事情的一个例子，考虑这个操作链:
- 获取从 1 到 100 的所有数字
- 只保留偶数
- 将每个数字平方
- 用上面列表中的 i 和 [1, 2, 3, 4,5] 中的 j 生成所有对 [i, j]
- 只保留 i + j > 40 的对
现在，在做了所有这些废话之后，我想通过这组对 [i, j] 来寻找满足特定条件的对。通常，解决方案是第一个条目之一，在这种情况下，我什至不看任何其他条目。然而，有时我必须使用整个列表，但找不到答案而不得不抛出错误。
我想将我的“操作链”实现为一系列生成器，即每个操作迭代前一个生成器生成的项目，并逐项“产生”自己的输出(SICP 流)。这样，如果我从不查看输出的最后 300 个条目，它们甚至不会得到处理。我知道 itertools 提供了 imap 和 ifilter 之类的东西来执行我想要执行的许多类型的操作。
我的问题是:在我必须遍历所有可能性的情况下，一系列嵌套生成器是否会对性能产生重大影响？
请您参考如下方法:
我尝试了两种实现方式，一种使用生成器，一种不使用生成器。我在 2.7 中对其进行了测试，因此 range 返回一个列表而不是迭代器。
这里是实现
使用生成器
def foo1():
data = ((a,b) for a in (i*i for i in xrange(1,101) if i%2) for b in [1,2,3,4,5] if a+b > 40)
return list(data)
没有发电机
def foo2():
result=[]
for i in range(1,101):
if i%2:
i=i*i
for j in [1,2,3,4,5]:
if i+j > 40:
result+=[(i,j)]
return result
混合两者以免附加列表
def foo3():
data=[(a,b) for a in (i*i for i in range(1,101)) for b in [1,2,3,4,5] if a+b > 40]
return data
创建临时列表
def foo4():
data=[(a,b) for a in [i*i for i in range(1,101)] for b in [1,2,3,4,5] if a+b > 40]
return data
这是我的结果
>>> t1=timeit.Timer("foo1()","from __main__ import foo1")
>>> t2=timeit.Timer("foo2()","from __main__ import foo2")
>>> t3=timeit.Timer("foo3()","from __main__ import foo3")
>>> t4=timeit.Timer("foo4()","from __main__ import foo4")
>>> print "%.2f usec/pass" % (1000000 * t1.timeit(number=10000)/10000)
100.95 usec/pass
>>> print "%.2f usec/pass" % (1000000 * t2.timeit(number=10000)/10000)
158.90 usec/pass
>>> print "%.2f usec/pass" % (1000000 * t3.timeit(number=10000)/10000)
130.02 usec/pass
>>> print "%.2f usec/pass" % (1000000 * t4.timeit(number=10000)/10000)
133.68 usec/pass
>>>
结论:
生成器表达式非常强大，您可以对其进行更大程度的优化。正如您在示例 foo2 中看到的那样，这是最慢的，它很难附加单个列表，从而降低了性能。 foo3 和 foo4 的时间几乎相同，所以创建临时列表似乎不是瓶颈，因为它在整个迭代中只创建了一次。如果没有生成器，您很快就会遇到一些性能问题，例如附加列表或创建临时列表。因此惰性求值应运而生，以克服这些性能瓶颈。
