当我需要在列表理解之后过滤一些东西时，我使用了一小段。只是过滤器、lambda和列表的组合(或者称为猫的忠诚度和狗的清洁度)。

在这种情况下，我正在读取一个文件，剥离空行，注释掉行，以及在一行的注释之后的任何内容:

# Throw out blank lines and comments
with open('file.txt', 'r') as lines:        
    # From the inside out:
    #    [s.partition('#')[0].strip() for s in lines]... Throws out comments
    #   filter(lambda x: x!= '', [s.part... Filters out blank lines
    #  y for y in filter... Converts filter object to list
    file_contents = [y for y in filter(lambda x: x != '', [s.partition('#')[0].strip() for s in lines])]

尽管过滤器可能是“更快的方式”，但“Python方式”是不关心这些事情，除非性能绝对关键(在这种情况下，您不会使用Python!)。

我花了一些时间来熟悉高阶函数过滤器和映射。所以我习惯了他们，我实际上喜欢过滤器，因为它是明确的，它通过保持任何真实的过滤，我觉得很酷，我知道一些函数编程术语。

然后我读了这篇文章(Fluent Python Book):

映射和筛选函数仍然是内置的 在Python 3中，但是自从引入了列表推导式和generator ex‐ 压力没有那么重要。listcomp或genexp完成map和的工作 过滤器组合，但更可读。

现在我想，如果您可以使用已经广泛传播的习语(如列表推导)来实现它，那么为什么还要使用过滤器/映射的概念呢?此外，映射和过滤器是一种函数。在这种情况下，我更喜欢使用匿名函数lambdas。

最后，为了进行测试，我对两种方法(map和listComp)都进行了计时，我没有看到任何相关的速度差异，可以证明这是合理的。

from timeit import Timer

timeMap = Timer(lambda: list(map(lambda x: x*x, range(10**7))))
print(timeMap.timeit(number=100))

timeListComp = Timer(lambda:[(lambda x: x*x) for x in range(10**7)])
print(timeListComp.timeit(number=100))

#Map:                 166.95695265199174
#List Comprehension   177.97208347299602

一个重要的区别是，列表推导式将返回一个列表，而过滤器返回一个过滤器，你不能像操作列表一样操作它(即:在它上调用len，它不能与过滤器的返回一起工作)。

我自己的自学也让我遇到了类似的问题。

也就是说，如果有一种方法可以从过滤器获得结果列表，有点像在。net中执行lst时所做的那样。Where(i => i.something()). tolist()，我很想知道它。

编辑:这是Python 3的情况，而不是Python 2(见评论中的讨论)。

除了公认的答案之外，还有一种极端情况，即您应该使用过滤器而不是列表推导式。如果列表是不可哈希的，则不能使用列表推导式直接处理它。一个真实的例子是使用pyodbc从数据库读取结果。游标的fetchAll()结果是一个不可哈希的列表。在这种情况下，要直接对返回的结果进行操作，应该使用filter:

cursor.execute("SELECT * FROM TABLE1;")
data_from_db = cursor.fetchall()
processed_data = filter(lambda s: 'abc' in s.field1 or s.StartTime >= start_date_time, data_from_db) 

如果你在这里使用列表理解，你会得到错误:

TypeError:不可哈希类型:list

由于任何速度差异都必然是微乎其微的，因此使用过滤器还是列表推导式都取决于个人喜好。一般来说，我倾向于使用推导式(这似乎与这里的大多数其他答案一致)，但有一种情况下，我更喜欢过滤器。

一个非常常见的用例是根据谓词P(X)提取某个可迭代对象X的值:

[x for x in X if P(x)]

但有时你想先对值应用一些函数:

[f(x) for x in X if P(f(x))]

作为一个具体的例子，请考虑

primes_cubed = [x*x*x for x in range(1000) if prime(x)]

我认为这看起来比使用滤镜要好一点。但是现在想想

prime_cubes = [x*x*x for x in range(1000) if prime(x*x*x)]

在本例中，我们希望根据后计算值进行过滤。除了计算立方体两次的问题(想象一个更昂贵的计算)，还有编写表达式两次的问题，这违反了DRY美学。在这种情况下，我会使用

prime_cubes = filter(prime, [x*x*x for x in range(1000)])