有什么理由比列表理解更喜欢使用map() ，反之亦然？ 它们中的一个通常比另一个效率更高，或者通常被认为比另一个更Python化吗？
#1楼
在某些情况下， map在微观map可能会更快（当您不是出于此目的而使用lambda时，而是在map和listcomp中使用相同的功能）。 在其他情况下，列表理解可能会更快，大多数（并非全部）pythonista用户认为列表更直接，更清晰。
使用完全相同的函数时map的微小速度优势的一个示例：
$ python -mtimeit -s'xs=range(10)' 'map(hex, xs)'
100000 loops, best of 3: 4.86 usec per loop
$ python -mtimeit -s'xs=range(10)' '[hex(x) for x in xs]'
100000 loops, best of 3: 5.58 usec per loop
当地图需要使用lambda时，如何完全颠倒性能比较的示例：
$ python -mtimeit -s'xs=range(10)' 'map(lambda x: x+2, xs)'
100000 loops, best of 3: 4.24 usec per loop
$ python -mtimeit -s'xs=range(10)' '[x+2 for x in xs]'
100000 loops, best of 3: 2.32 usec per loop
#2楼
我发现列表理解通常比map更能表达我要执行的操作-它们都可以完成操作，但是前者节省了试图了解什么可能是复杂的lambda表达式的精神负担。
在某个地方（我无法找到它）也有一次采访，其中Guido列出了lambda和函数功能，这是他最后悔接受Python的事情，因此您可以通过以下方式来论证它们是非Python的：的优点。
#3楼
Python 2：您应该使用map和filter而不是列表推导。
即使它们不是“ Pythonic”的，您还是还是偏爱它们的一个客观原因是：
它们需要函数/ lambda作为参数，从而引入了新的作用域 。
我被这个不止一次地咬了：
for x, y in somePoints:
# (several lines of code here)
squared = [x ** 2 for x in numbers]
# Oops, x was silently overwritten!
但如果相反，我曾说过：
for x, y in somePoints:
# (several lines of code here)
squared = map(lambda x: x ** 2, numbers)
那一切都会好起来的
您可能会说我在相同范围内使用相同的变量名很愚蠢。
我不是 该代码本来很好-两个x不在同一范围内。
直到我将内部块移到代码的不同部分之后，问题才出现（阅读：维护期间的问题，而不是开发过程中的问题），而且我没想到。
是的， 如果您从未犯过此错误，则列表理解会更优雅。
但是从个人经验（和其他人看到的相同的错误）来看，我已经看到它发生了很多次，以至于当这些错误潜入您的代码中时，您不应该经历这种痛苦。
结论：
使用map和filter 。 它们可以防止与范围相关的细微难以诊断的错误。
边注：
如果适合您的情况，不要忘记考虑使用imap和ifilter （在itertools ）！
#4楼
这是一种可能的情况：
map(lambda op1,op2: op1*op2, list1, list2)
与：
[op1*op2 for op1,op2 in zip(list1,list2)]
我猜想zip（）是一个不幸的和不必要的开销，如果您坚持使用列表推导而不是地图，则需要沉迷于此。 如果有人肯定或否定这一点，那就太好了。
#5楼
实际上， map和list的理解在Python 3语言中的行为大不相同。 看一下下面的Python 3程序：
def square(x):
return x*x
squares = map(square, [1, 2, 3])
print(list(squares))
print(list(squares))
您可能希望它会打印两次“ [1，4，9]”行，但是会打印“ [1，4，9]”后跟“ []”。 第一次查看squares它似乎表现为三个元素的序列，但是第二次查看为空元素。
在Python 2语言map返回一个简单的旧列表，就像列表推导两种语言一样。 问题的关键在于，Python 3（和Python 2中的imap中map的返回值不是列表，而是一个迭代器！
与遍历列表不同，遍历迭代器时将消耗元素。 这就是为什么squares在最后一个print(list(squares))行中看起来是空的。
总结一下：
- 在处理迭代器时，必须记住它们是有状态的，并且在遍历它们时会发生变化。
- 列表更容易预测，因为它们仅在您显式对其进行更改时才会更改； 他们是容器 。
- 还有一个好处：数字，字符串和元组甚至可以更容易预测，因为它们根本无法更改； 它们是价值 。
#6楼
如果您打算编写任何异步，并行或分布式代码，则您可能会更喜欢map而不是列表理解-因为大多数异步，并行或分布式程序包都提供了map函数来重载python的map 。 然后，通过将适当的map函数传递给其余代码，您可能不必修改原始串行代码即可使其并行运行（等）。
#7楼
因此，由于Python 3的map()是一个迭代器，因此您需要牢记所需的东西：一个迭代器或list对象。
正如@AlexMartelli所提到的 ，仅当您不使用lambda函数时， map()才比列表理解要快。
我将向您介绍一些时间比较。
Python 3.5.2和CPython
我用过木星笔记本 ，尤其是%timeit内置的魔术命令
测量值 ：s == 1000 ms == 1000 * 1000 µs = 1000 * 1000 * 1000 ns
设定：
x_list = [(i, i+1, i+2, i*2, i-9) for i in range(1000)]
i_list = list(range(1000))
内置功能：
%timeit map(sum, x_list) # creating iterator object
# Output: The slowest run took 9.91 times longer than the fastest.
# This could mean that an intermediate result is being cached.
# 1000000 loops, best of 3: 277 ns per loop
%timeit list(map(sum, x_list)) # creating list with map
# Output: 1000 loops, best of 3: 214 µs per loop
%timeit [sum(x) for x in x_list] # creating list with list comprehension
# Output: 1000 loops, best of 3: 290 µs per loop
lambda函数：
%timeit map(lambda i: i+1, i_list)
# Output: The slowest run took 8.64 times longer than the fastest.
# This could mean that an intermediate result is being cached.
# 1000000 loops, best of 3: 325 ns per loop
%timeit list(map(lambda i: i+1, i_list))
# Output: 1000 loops, best of 3: 183 µs per loop
%timeit [i+1 for i in i_list]
# Output: 10000 loops, best of 3: 84.2 µs per loop
还有诸如生成器表达式之类的东西，请参阅PEP-0289 。 所以我认为将其添加到比较中将很有用
%timeit (sum(i) for i in x_list)
# Output: The slowest run took 6.66 times longer than the fastest.
# This could mean that an intermediate result is being cached.
# 1000000 loops, best of 3: 495 ns per loop
%timeit list((sum(x) for x in x_list))
# Output: 1000 loops, best of 3: 319 µs per loop
%timeit (i+1 for i in i_list)
# Output: The slowest run took 6.83 times longer than the fastest.
# This could mean that an intermediate result is being cached.
# 1000000 loops, best of 3: 506 ns per loop
%timeit list((i+1 for i in i_list))
# Output: 10000 loops, best of 3: 125 µs per loop
您需要list对象：
如果是自定义函数，请使用列表理解；如果有内置函数，请使用list(map())
您不需要list对象，只需要一个可迭代的对象：
始终使用map() ！
#8楼
我认为最Python的方式是使用列表理解而不是map和filter 。 原因是列表理解比map和filter更清晰。
In [1]: odd_cubes = [x ** 3 for x in range(10) if x % 2 == 1] # using a list comprehension
In [2]: odd_cubes_alt = list(map(lambda x: x ** 3, filter(lambda x: x % 2 == 1, range(10)))) # using map and filter
In [3]: odd_cubes == odd_cubes_alt
Out[3]: True
如您所见，理解不需要map所需的额外lambda表达式。 此外，理解还允许轻松过滤，而map需要filter才能过滤。
#9楼
我进行了一项快速测试，比较了三种调用对象方法的方法。 在这种情况下，时差可以忽略不计，并且与所讨论的功能有关（请参阅@Alex Martelli的回复 ）。 在这里，我查看了以下方法：
# map_lambda
list(map(lambda x: x.add(), vals))
# map_operator
from operator import methodcaller
list(map(methodcaller("add"), vals))
# map_comprehension
[x.add() for x in vals]
我查看了整数（Python int ）和浮点数（Python float ）的列表（存储在变量vals ），以增加列表大小。 考虑以下虚拟类DummyNum ：
class DummyNum(object):
"""Dummy class"""
__slots__ = 'n',
def __init__(self, n):
self.n = n
def add(self):
self.n += 5
具体而言， add方法。 __slots__属性是Python中的一种简单优化，它定义了类（属性）所需的总内存，从而减小了内存大小。 这是结果图。
如前所述，所使用的技术差异很小，您应该以一种对您最易读的方式或在特定情况下进行编码。 在这种情况下，列表map_comprehension （ map_comprehension技术）对于对象中两种类型的加法最快，尤其是对于较短的列表。
访问此pastebin以获取用于生成图和数据的源。
#10楼
案例
- 常见情况 ：几乎总是，您将要在python中使用列表推导，因为对于新手程序员来说，阅读代码会更加明显。 （这不适用于可能适用其他习惯用法的其他语言。）由于列表推导是python中用于迭代的事实上的标准，因此您对python程序员所做的工作甚至会更加明显。 他们是预期的 。
- 较少见的情况 ：但是，如果已经定义了函数 ，则使用
map通常是合理的，尽管它被认为是“非pythonic”的。 例如，map(sum, myLists)比[sum(x) for x in myLists]更为优雅/简洁。 您可以不必键入一个虚拟变量（例如sum(x) for x...或sum(_) for _...或sum(readableName) for readableName...），从而获得优雅的sum(_) for _...两次，只是要迭代。 相同的参数适用于filter和reduce以及itertools模块中的任何内容：如果您已经有了函数，可以继续进行一些函数式编程。 在某些情况下，这会提高可读性，而在其他情况下（例如，新手程序员，多个参数），则会失去可读性。但是，无论如何，代码的可读性在很大程度上取决于注释。 - 几乎永远不会 ：在执行函数编程时，您可能想将
map函数用作纯抽象函数，在此情况下，您正在映射map或curryingmap，或者从谈论map作为函数中受益。 例如，在Haskell中，称为fmap的函子接口可对任何数据结构进行通用映射。 这在python中非常罕见，因为python语法迫使您使用生成器样式来谈论迭代； 您不能轻易将其概括。 （这有时是好事，有时是坏事。）您可能会想出一些罕见的python示例，其中map(f, *lists)是合理的做法。 我能想到的最接近的示例是sumEach = partial(map,sum)，它是一种单行代码，大致相当于：
def sumEach(myLists):
return [sum(_) for _ in myLists]
- 仅使用
for-loop ：当然，您也可以只使用for-loop 。 从功能编程的角度来看，虽然不是那么优雅，但有时非局部变量使命令式编程语言（例如python）中的代码更清晰，因为人们已经非常习惯以这种方式阅读代码。 通常，当您仅执行任何不构建列表的复杂操作（例如列表理解和映射）（例如，求和或制作树等）时，for循环也是最有效的。就内存而言，它是高效的（不必在时间上，我希望在最坏的情况下，它是一个恒定的因素，除非出现一些罕见的病理性垃圾收集问题）。
“ Python主义”
我不喜欢“ pythonic”这个词，因为我发现pythonic在我眼中并不总是那么优雅。 但是，就样式而言， map和filter以及类似的功能（例如非常有用的itertools模块）可能被认为是非Python的。
懒惰
就效率而言，就像大多数函数式编程构造一样， MAP可以是LAZY ，实际上在python中是懒惰的。 这意味着您可以执行此操作（在python3中 ），并且计算机不会耗尽内存，并且不会丢失所有未保存的数据：
>>> map(str, range(10**100))
<map object at 0x2201d50>
尝试通过列表理解做到这一点：
>>> [str(n) for n in range(10**100)]
# DO NOT TRY THIS AT HOME OR YOU WILL BE SAD #
请注意，列表推导本质上也是惰性的，但是python选择将其实现为非惰性的 。 不过，python确实以生成器表达式的形式支持惰性列表推导，如下所示：
>>> (str(n) for n in range(10**100))
<generator object <genexpr> at 0xacbdef>
基本上，您可以将[...]语法视为将生成器表达式传递到列表构造函数，例如list(x for x in range(5)) 。
简短的人为例子
from operator import neg
print({x:x**2 for x in map(neg,range(5))})
print({x:x**2 for x in [-y for y in range(5)]})
print({x:x**2 for x in (-y for y in range(5))})
列表推导是非延迟的，因此可能需要更多内存（除非您使用生成器推导）。 [...]方括号通常使事情变得显而易见，尤其是在括号中。 另一方面，有时您最终会变得很冗长，就像[x for x in...输入[x for x in... 。 只要您使迭代器变量简短，如果不缩进代码，列表解析通常会更加清晰。 但是您总是可以缩进代码。
print(
{x:x**2 for x in (-y for y in range(5))}
)
或分手：
rangeNeg5 = (-y for y in range(5))
print(
{x:x**2 for x in rangeNeg5}
)
python3的效率比较
map现在很懒：
% python3 -mtimeit -s 'xs=range(1000)' 'f=lambda x:x' 'z=map(f,xs)'
1000000 loops, best of 3: 0.336 usec per loop ^^^^^^^^^
因此，如果您将不使用所有数据，或者不提前知道需要多少数据，则在python3中map （在python2或python3中生成器表达式）将避免计算它们的值，直到最后一刻。 通常，这通常会超过使用map开销。 不利之处在于，与大多数功能语言相反，这在python中非常有限：只有按“顺序”从左到右访问数据时，您才能获得此好处，因为python生成器表达式只能按x[0], x[1], x[2], ...的顺序求x[0], x[1], x[2], ...
但是，假设我们有一个要map的预制函数f ，并且我们通过立即强制使用list(...)求值来忽略map的惰性。 我们得到一些非常有趣的结果：
% python3 -mtimeit -s 'xs=range(1000)' 'f=lambda x:x' 'z=list(map(f,xs))'
10000 loops, best of 3: 165/124/135 usec per loop ^^^^^^^^^^^^^^^
for list(<map object>)
% python3 -mtimeit -s 'xs=range(1000)' 'f=lambda x:x' 'z=[f(x) for x in xs]'
10000 loops, best of 3: 181/118/123 usec per loop ^^^^^^^^^^^^^^^^^^
for list(<generator>), probably optimized
% python3 -mtimeit -s 'xs=range(1000)' 'f=lambda x:x' 'z=list(f(x) for x in xs)'
1000 loops, best of 3: 215/150/150 usec per loop ^^^^^^^^^^^^^^^^^^^^^^
for list(<generator>)
结果以AAA / BBB / CCC形式出现，其中A是在带有python 3。？。？的大约2010年英特尔工作站上执行的，而B和C是在带有python 3.2.1的大约2013年AMD工作站上执行的，具有截然不同的硬件。 结果似乎是，地图和列表理解的性能可比，这受其他随机因素的影响最大。 我们可以告诉的唯一的事情似乎是，奇怪的是，虽然我们期待list解析[...]除发电机表达式执行好(...) map也更高效，发电机表达式（再次假设所有值评估/使用）。
重要的是要意识到这些测试假设一个非常简单的功能（身份功能）。 但是这很好，因为如果功能复杂，那么与程序中的其他因素相比，性能开销可以忽略不计。 （用f=lambda x:x+x等其他简单的东西进行测试可能仍然很有趣）
如果您精通python汇编语言，则可以使用dis模块查看实际情况是否在幕后：
>>> listComp = compile('[f(x) for x in xs]', 'listComp', 'eval')
>>> dis.dis(listComp)
1 0 LOAD_CONST 0 (<code object <listcomp> at 0x2511a48, file "listComp", line 1>)
3 MAKE_FUNCTION 0
6 LOAD_NAME 0 (xs)
9 GET_ITER
10 CALL_FUNCTION 1
13 RETURN_VALUE
>>> listComp.co_consts
(<code object <listcomp> at 0x2511a48, file "listComp", line 1>,)
>>> dis.dis(listComp.co_consts[0])
1 0 BUILD_LIST 0
3 LOAD_FAST 0 (.0)
>> 6 FOR_ITER 18 (to 27)
9 STORE_FAST 1 (x)
12 LOAD_GLOBAL 0 (f)
15 LOAD_FAST 1 (x)
18 CALL_FUNCTION 1
21 LIST_APPEND 2
24 JUMP_ABSOLUTE 6
>> 27 RETURN_VALUE
>>> listComp2 = compile('list(f(x) for x in xs)', 'listComp2', 'eval')
>>> dis.dis(listComp2)
1 0 LOAD_NAME 0 (list)
3 LOAD_CONST 0 (<code object <genexpr> at 0x255bc68, file "listComp2", line 1>)
6 MAKE_FUNCTION 0
9 LOAD_NAME 1 (xs)
12 GET_ITER
13 CALL_FUNCTION 1
16 CALL_FUNCTION 1
19 RETURN_VALUE
>>> listComp2.co_consts
(<code object <genexpr> at 0x255bc68, file "listComp2", line 1>,)
>>> dis.dis(listComp2.co_consts[0])
1 0 LOAD_FAST 0 (.0)
>> 3 FOR_ITER 17 (to 23)
6 STORE_FAST 1 (x)
9 LOAD_GLOBAL 0 (f)
12 LOAD_FAST 1 (x)
15 CALL_FUNCTION 1
18 YIELD_VALUE
19 POP_TOP
20 JUMP_ABSOLUTE 3
>> 23 LOAD_CONST 0 (None)
26 RETURN_VALUE
>>> evalledMap = compile('list(map(f,xs))', 'evalledMap', 'eval')
>>> dis.dis(evalledMap)
1 0 LOAD_NAME 0 (list)
3 LOAD_NAME 1 (map)
6 LOAD_NAME 2 (f)
9 LOAD_NAME 3 (xs)
12 CALL_FUNCTION 2
15 CALL_FUNCTION 1
18 RETURN_VALUE
现在看来，这是更好地利用[...]的语法比list(...) 遗憾的是， map类在反汇编方面有点不透明，但是我们可以通过速度测试来确定。
601
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
