如果列表中有NoneType和pandas._lib .missing. list。NAType对象比使用:

[i for i in lst if pd.notnull(i)]

>>> L = [0, 23, 234, 89, None, 0, 35, 9]
>>> [x for x in L if x is not None]
[0, 23, 234, 89, 0, 35, 9]

只是为了好玩，这里介绍了如何在不使用lambda的情况下调整过滤器来实现这一点，(我不建议使用此代码-仅用于科学目的)

>>> from operator import is_not
>>> from functools import partial
>>> L = [0, 23, 234, 89, None, 0, 35, 9]
>>> list(filter(partial(is_not, None), L))
[0, 23, 234, 89, 0, 35, 9]

使用列表理解可以做到如下:

l = [i for i in my_list if i is not None]

l的值为:

[0, 23, 234, 89, 0, 35, 9]

假设列表如下

iterator = [None, 1, 2, 0, '', None, False, {}, (), []]

这将只返回bool(item)为True的项目

print filter(lambda item: item, iterator)
# [1, 2]

这相当于

print [item for item in iterator if item]

只过滤None:

print filter(lambda item: item is not None, iterator)
# [1, 2, 0, '', False, {}, (), []]

等价于:

print [item for item in iterator if item is not None]

获取所有值为False的项

print filter(lambda item: not item, iterator)
# Will print [None, '', 0, None, False, {}, (), []]

如果这都是列表的列表，你可以修改sir @Raymond的答案

L = [[None]， [123]， [None]， [151]] no_none_val = list(filter(无。__ne__， [x[0] for x in L])) 然而对于python2

no_none_val = [x[0] for x in L if x[0] not None] """ Both returns [123, 151]""" "

如果变量不是List中的变量，<< list_index[0]无>>

迭代vs空间，使用可能是一个问题。在不同的情况下，分析可能会显示“更快”和/或“内存更少”。

# first
>>> L = [0, 23, 234, 89, None, 0, 35, 9, ...]
>>> [x for x in L if x is not None]
[0, 23, 234, 89, 0, 35, 9, ...]

# second
>>> L = [0, 23, 234, 89, None, 0, 35, 9]
>>> for i in range(L.count(None)): L.remove(None)
[0, 23, 234, 89, 0, 35, 9, ...]

第一种方法(@jamylak、@Raymond Hettinger和@Dipto也建议)在内存中创建一个重复的列表，对于一个没有几个None条目的大列表来说，这可能会占用大量内存。

第二种方法遍历列表一次，然后每次都重复，直到到达None。这样可以减少内存密集型，并且列表将随着它的运行而变小。列表大小的减小可以加速前面的大量None条目，但最坏的情况是后面有大量None条目。

第二种方法可能总是比第一种方法慢。但这并不意味着对价无效。

并行化和就地技术是另一种方法，但每种方法在Python中都有自己的复杂性。了解数据和运行时用例，以及对程序进行概要分析，可以从哪里开始进行密集操作或大数据。

在一般情况下，选择任何一种方法都可能无关紧要。这更像是一种符号偏好。事实上，在这些不常见的情况下，numpy(例如，如果L是numpy。array: L = L[L != numpy.array(None)(从这里开始))或cython可能是值得的替代方案，而不是尝试微管理Python优化。