在 Python 数据处理中，生成器表达式与列表推导式是两种高效创建可迭代对象的工具。它们语法相似，但在内存占用、计算时机和适用场景上存在显著差异。理解这两种表达式的特性，能帮助开发者在处理数据时选择更合适的工具，提升程序性能。
一、生成器表达式：惰性计算的迭代工具
生成器表达式是创建生成器的简洁语法，采用圆括号包裹，结构为(expression for item in iterable if condition)。其核心特性是 “惰性计算”—— 只在需要时生成下一个元素，不提前创建完整序列，大幅节省内存。
例如，生成 1-10 的平方数生成器：
python
运行
gen = (x*x for x in range(1, 11))
生成器属于迭代器，支持next()方法和for循环，但不支持索引访问，且元素只能遍历一次。每次调用next(gen)或迭代时，才会计算并返回下一个值，遍历结束后即耗尽。
二、列表推导式：即时创建的序列对象
列表推导式用方括号包裹，语法为[expression for item in iterable if condition]，会立即计算并存储所有元素，生成完整列表，支持索引、切片等操作。
例如，生成 1-10 的平方数列表：
python
运行
lst = [x*x for x in range(1, 11)]
列表推导式本质是for循环的简化形式，等价于先创建空列表再循环添加元素，但代码更简洁高效。
三、核心区别解析
1. 内存占用：按需生成 vs 全部存储
生成器表达式仅存储生成器对象本身，内存占用固定(约 100 字节)，适合处理大型数据集。例如生成 100 万个整数时，内存占用几乎不变。
列表推导式会占用与元素数量成正比的内存。生成 100 万个整数列表约占用 8MB 内存，数据量增长时可能导致内存溢出。
2. 计算时机：延迟执行 vs 即时执行
生成器表达式采用 “惰性计算”，定义时不执行计算，迭代时才生成元素，适合处理无限序列(如生成所有素数)。
列表推导式在定义时立即计算所有元素，生成后不再变化，适合需要立即获取结果的场景。
3. 可迭代次数：单次遍历 vs 反复使用
生成器是 “一次性” 的，元素遍历结束后即耗尽，再次迭代无结果。
列表可多次迭代、随机访问，适合需要反复使用数据的场景。
4. 适用场景：大数据流 vs 小数据集
生成器表达式适合处理 TB 级日志文件、实时数据流等大型数据，或管道式数据处理(如gen1 | gen2 | gen3)。
列表推导式适合配置列表、小型数据集过滤等场景，尤其需要索引访问或多次使用时。
生成器表达式与列表推导式语法相似，但核心差异体现在内存模型和计算方式上。选择的关键依据是数据规模和使用方式：处理百万级以上数据或单次遍历场景，优先用生成器表达式;需要多次访问元素或数据量较小时，列表推导式更便捷。
