过滤器就是这样。它过滤掉列表中的元素。你可以看到定义中提到了同样的内容(在我之前提到的官方文档链接中)。然而，列表理解是在对前一个列表上的内容进行操作后产生一个新的列表。(过滤器和列表推导式都创建新列表，而不执行替换旧列表的操作。这里的新列表类似于具有全新数据类型的列表。比如将整数转换为字符串，等等)

在您的示例中，根据定义，使用过滤器比使用列表理解更好。但是，如果您希望，例如列表元素中的other_attribute，在您的示例中是作为一个新列表检索，那么您可以使用列表推导式。

return [item.other_attribute for item in my_list if item.attribute==value]

这就是我对筛选器和列表理解的记忆。删除列表中的一些东西，并保持其他元素完整，使用过滤器。在元素上使用一些自己的逻辑，并创建一个适合某些目的的稀释列表，使用列表理解。

就性能而言，这要视情况而定。

filter不返回一个列表而是一个迭代器，如果你需要列表“立即”过滤和列表转换，它比非常大的列表(>1M)的列表理解要慢40%左右。到100K的元素几乎没有区别，从600K开始就开始有区别了。

如果不转换为列表，筛选实际上是即时的。

更多信息请访问:https://blog.finxter.com/python-lists-filter-vs-list-comprehension-which-is-faster/

过滤器就是这样。它过滤掉列表中的元素。你可以看到定义中提到了同样的内容(在我之前提到的官方文档链接中)。然而，列表理解是在对前一个列表上的内容进行操作后产生一个新的列表。(过滤器和列表推导式都创建新列表，而不执行替换旧列表的操作。这里的新列表类似于具有全新数据类型的列表。比如将整数转换为字符串，等等)

在您的示例中，根据定义，使用过滤器比使用列表理解更好。但是，如果您希望，例如列表元素中的other_attribute，在您的示例中是作为一个新列表检索，那么您可以使用列表推导式。

return [item.other_attribute for item in my_list if item.attribute==value]

这就是我对筛选器和列表理解的记忆。删除列表中的一些东西，并保持其他元素完整，使用过滤器。在元素上使用一些自己的逻辑，并创建一个适合某些目的的稀释列表，使用列表理解。

我觉得第二种方法更容易读懂。它确切地告诉你目的是什么:过滤列表。 注意:不要使用list作为变量名

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

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