如果想通过操作和处理一个序列（或其他的可迭代对象）来创建一个新的列表时可以使用列表解析(List comprehensions)和生成表达式(generator expression)
(1)list comprehension
[expr for iter_var in iterable ] or [expr for iter_ in iterable if cond_expr]
l1=[1,2,3,4,5] [x+1 for x in l1] [2, 3, 4, 5, 6] [x-1 for x in l1 if x>3] [3, 4] dict([(x,x+1) for x in l1]) {1: 2, 2: 3, 3: 4, 4: 5, 5: 6} vec1=[1,2,3] vec2=[6,7,8] sq=[vec1[i]+vec2[i] for i in range(len(vec1))] print sq [7, 9, 11] [x*y for x in [1,2,3] for y in [3,4,5]] [3, 4, 5, 6, 8, 10, 9, 12, 15]
[(x+y) for x in l1 for y in range(x)]
[1, 2, 3, 3, 4, 5, 4, 5, 6, 7, 5, 6, 7, 8, 9]
def t_f(x): return x+1 [t_f(i) for i in l1] [1, 2, 3, 4, 5] 等价于 map(t_f,l1)
(2)generator expression
通过列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。所以应当考虑使用生成器表达式而不是列表解析.生成器表达式并不真正创建数字列表， 而是返回一个生成器generator，generator保存的是算法，每次调用next(g)，就计算出g的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的错误。但是我们一般通过for循环来迭代它，并且不需要关心StopIteration的错误。
for n in g:
print(n)
由于这个生成器在每次计算出一个条目后，把这个条目“产生”(yield)出来。 生成器表达式使用了“惰性计算”(lazy evaluation，也有翻译为“延迟求值”，我以为这种按需调用call by need的方式翻译为惰性更好一些)，只有在检索时才被赋值（ evaluated），所以在列表比较长的情况下使用内存上更有效.A generator object in python is something like a lazy list. The elements are only evaluated as soon as you iterate over them.
(expr for iter_var in iterable) or (expr for iter_var in interable if cond_expr)
ge1=(x+1 for x in l1 if x%2) ge1 <generator object <genexpr> at 0x000000000959EA68> type(ge1) generator for i in ge1: print i [1, 2, 3, 4, 5]
some adds:
1)当需要只是执行一个循环的时候尽量使用循环而不是列表解析，这样更符合python提倡的直观性
2)当有内建的操作或者类型能够以更直接的方式实现的，不要使用列表解析
good: l2=l1 bad: l2=[x for x in l1]
3)如果需要对每个元素都调用并且返回结果时，应使用L1=map(f,L), 而不是 L1=[f(x) for x in L]