开篇导语
在 Python 工程中，很多新手或中级开发者经常在循环写法上纠结： “用 for 循环好还是用列表推导式好？” 直觉往往说“差不多”，但在生产环境中，大数据量处理时，这个差异可能导致性能差几十倍。 本文结合真实测例，帮你量化差距，并给出生产环境优化建议。 本文属于【真实工程踩坑录】系列第五篇，推荐按顺序阅读。
一. 问题现象
场景：
-
项目：后端数据处理服务
-
功能：批量生成数据列表、处理日志
-
写法：
# 方法 1：传统 for 循环
result = []
for i in range(1000000):
result.append(i*i)
# 方法 2：列表推导式
result = [i*i for i in range(1000000)]
-
现象：
-
两种写法在小数据量下差别不大
-
在生产环境大数据量（百万级）时，for 循环显得明显慢，CPU 占用高，内存消耗也略高
-
二. 网上常见说法
-
文章和教程常说：
-
“列表推导式更 Pythonic”
-
“for 循环更易读”
-
-
然而大部分文章只是理论对比，缺少真实性能测试数据
在生产中，量级不同，差距可能从几毫秒到几十秒，甚至影响服务响应
三. 测试方案
使用 Python 自带 timeit 模块，实测百万级数据：
import timeit
setup = "N = 1000000"
# for 循环
for_code = """
result = []
for i in range(N):
result.append(i*i)
"""
# 列表推导式
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")
测试结果
for 循环耗时: 0.6547s
列表推导式耗时: 0.5811s
分析：
-
在此数据量下，两者性能差距不大
-
随着数据量增大，列表推导式优势会逐渐显现
-
如果数据量在千万级或涉及大量复杂计算，推荐使用列表推导式或生成器
建议：
-
小数据量 → 可读性优先，选择你习惯的写法
-
大数据量 → 列表推导式 / 生成器更省内存、性能更好
四. 原因分析
1. 函数调用开销
-
for 循环每次 append 都会调用方法
-
列表推导式在底层直接分配内存，减少方法调用
2. 内存分配优化
-
列表推导式提前分配空间
-
for 循环动态扩展列表，频繁扩容耗时
3. 可读性 vs 性能
-
小数据量时差异不大，可读性优先
-
大数据量、生产环境 → 性能优先
五. 生产环境建议
1. 大数据量 → 优先列表推导式
- 对百万级、千万级列表操作尤为明显
2. 避免重复计算
- 如果循环内部有重复计算，提前缓存结果
3. 生成器优化
- 如果不需要一次性生成完整列表，使用生成器：
result_gen = (i*i for i in range(1000000))
for val in result_gen:
process(val)
4. 结合 NumPy / Pandas
-
对数值数据，使用矢量化库比列表推导式更快
-
尤其在数据分析 / 科学计算场景
📌【真实工程踩坑录 系列导航】
01｜Python 多进程在 Linux 服务器卡死的真正原因 02｜MyBatis 批量更新失败？问题根本不在 SQL 03｜我用 100 行 Python，替代了每天 2 小时的重复工作 04｜一次线上内存暴涨事故，最后发现是一个 list 05｜for 循环 vs 列表推导式，性能差距我测给你看 06｜别再教新手这样写 Python 了，在公司是会被重构的 07｜写了 5 年 Python，我最后留下了这 7 条工程习惯
👉 点击专栏可查看完整系列，按顺序阅读最佳
