在大多数简单数据转换和筛选场景下，列表推导式比传统 for 循环更快，但在逻辑复杂或需要中途退出的场景中，for 循环更合适。

代码写法对比

不需要复杂命令，直接在代码层面选择写法。以下是两种写法的直观对比：

# 传统 for 循环
result = []
for i in range(1000000):
    result.append(i * i)

# 列表推导式
result = [i * i for i in range(1000000)]

如果逻辑简单，优先使用第二种；如果循环体内包含异常处理、多重判断或需要 break/continue，请使用第一种。

字节码底层验证

列表推导式之所以快，主要是因为 CPython 解释器对其做了专门优化。可以使用 Python 内置的 dis 模块查看字节码差异：

import dis

def loop_func():
    result = []
    for i in range(100):
        result.append(i * i)
    return result

def comp_func():
    return [i * i for i in range(100)]

print("--- For Loop Bytecode ---")
dis.dis(loop_func)

print("--- List Comprehension Bytecode ---")
dis.dis(comp_func)

对比输出可见：

• For 循环：包含 LOAD_ATTR (查找 append 方法) 和 CALL_METHOD (调用方法) 指令，每次迭代都有开销。
• 列表推导式：使用专用的 LIST_APPEND 指令，直接在栈操作层面追加数据，减少了函数调用和属性查找的开销。

性能基准测试

使用 Python 自带的 timeit 模块进行本地基准测试，避免依赖网上数据：

import timeit

setup = "N = 1000000"

for_code = """
result = []
for i in range(N):
    result.append(i * i)
"""

list_comp_code = """
result = [i * i for i in range(N)]
"""

time_for = timeit.timeit(for_code, setup=setup, number=10)
time_list = timeit.timeit(list_comp_code, setup=setup, number=10)

print(f"for 循环耗时:{time_for:.4f}s")
print(f"列表推导式耗时:{time_list:.4f}s")

运行后对比输出时间，若推导式耗时明显更低，则验证了其性能优势。注意测试环境不同，具体数值会有差异。

工程选型指南

在实际开发中，按以下步骤决定使用哪种方式：

1. 判断逻辑复杂度：如果只是简单的表达式计算或条件过滤，首选列表推导式。
2. 评估数据规模：如果数据量很小（如几十个元素），性能差异可忽略，以可读性为准；如果数据量大（如 10 万 +），优先考虑推导式。
3. 检查副作用：如果循环体内需要打印日志、修改外部状态或调用有副作用的函数，使用 for 循环更安全。
4. 考虑内存占用：如果数据量极大且不需要一次性保留所有结果，考虑使用生成器表达式 (x*2 for x in data) 而非列表推导式。

常见坑与注意事项

• 过度追求性能：在逻辑复杂时强行使用嵌套推导式，会导致代码难以阅读和调试，维护成本上升。
• 内存爆炸：列表推导式会一次性生成所有数据存入内存，处理海量数据时可能导致 OOM，此时应改用生成器。
• 误解优化范围：推导式只优化了“构建容器”的过程，如果表达式本身调用耗时函数（如 IO 操作），整体性能瓶颈不在循环结构上。
• 变量作用域：在 Python 3 中，列表推导式有独立的局部作用域，循环变量不会泄露到外部，这与 for 循环不同，需注意变量复用问题。
• 版本差异：不同 Python 小版本（如 3.8 vs 3.11）对字节码优化程度不同，建议在实际运行环境中验证性能。

参考资源

• Python 官方文档 - 列表推导式
• Python 官方文档 - dis 模块
• Python 官方文档 - timeit 模块