生成式是惰性求值的迭代器，只保存计算逻辑而非数据，内存占用极低；它基于yield机制，不可索引或重复遍历，适用于单次流式处理大数据。
Python生成式（Generator Expression）本质是惰性求值的迭代器，不一次性构建完整序列，而是按需生成每个元素，因此内存占用极低——这是它和列表推导式最根本的区别。
生成式如何节省内存
列表推导式 [x*2 for x in range(1000000)] 会立刻在内存中创建含100万个整数的列表，占用数百MB；而生成式 (x*2 for x in range(1000000)) 只保存迭代逻辑和当前状态，初始内存占用不到100字节。它不存数据，只存“怎么算下一个”。
- 内部基于
yield机制（等价于简单生成器函数），每次调用__next__()才计算一个值 - 无法索引、切片或重复遍历（迭代完即耗尽）
- 适合单次流式处理：如逐行读大文件、处理传感器实时数据流
何时该用生成式而非列表推导式
优先选生成式的典型场景：
- 数据量大，且只需遍历一次（例如统计、过滤后求和）：
sum(x for x in data if x > 0) - 作为函数参数，且该函数接受可迭代对象（如
max()、any()、all()、sorted()） - 嵌套在其他生成式或函数中构成数据管道，避免中间列表（如
(y.upper() for y in (x.strip() for x in lines))）
常见误区与性能提示
生成式不是万能加速器，错误使用反而降低可读性或引入隐藏开销：
立即学习“Python免费学习笔记（深入）”；
- 需要多次遍历？必须转为列表或重新构造生成式——生成式本身不可复用
- 想取前N项？用
itertools.islice(gen, N)，别先转 list 再切片 - 调试时想看内容？直接打印生成式只显示对象地址；可用
list(gen)强制展开（仅限小数据）或next(gen)逐步检查 - 括号不能省：
(x for x in seq)是生成式；[x for x in seq]是列表；x for x in seq语法错误
生成式与生成器函数的关系
生成式是语法糖，功能可被生成器函数完全替代：
(x**2 for x in range(5)) 等价于：
def _gen():<br> for x in range(5):<br> yield x**2
两者都返回 generator 类型对象，共享相同底层机制（帧对象 + 迭代器协议 + 暂停/恢复状态）。
