Python中惰性计算非原生强制特性，但可通过生成器、itertools、@cached_property及dask等主动实现延迟执行，以降低内存占用和避免提前计算。
Python 中的惰性计算（Lazy Evaluation）不是语言原生强制特性，但通过生成器、迭代器、itertools、延迟属性（@property + 缓存）、以及第三方库（如 dask 或 lazy-object-proxy），你可以主动实现延迟执行，显著减少内存占用和提前计算开销。
用生成器替代列表：最常用也最有效的惰性方式
当你需要遍历大量数据但不需一次性全加载进内存时，生成器是首选。它只在每次 next() 或 for 循环中按需产出一个值。
例如，读取大文件逐行处理：
# ❌ 一次性读入全部行，内存爆炸风险
lines = open('huge.log').readlines() # 全部加载到内存
for line in lines:
if 'ERROR' in line:
process(line)
<h1>✅ 惰性读取，内存恒定</h1><p>def read_log_lazy(filename):
with open(filename) as f:
for line in f: # 文件对象本身就是迭代器
yield line.strip()</p><p>for line in read_log_lazy('huge.log'):
if 'ERROR' in line:
process(line)
用 itertools.chain 和 filter 实现惰性组合操作
itertools 中绝大多数函数返回迭代器而非列表，天然支持链式惰性计算。它们不会立即执行，只在最终消费时触发。
立即学习“Python免费学习笔记（深入）”；
-
itertools.chain(a, b)：拼接多个可迭代对象，不复制元素 -
itertools.filterfalse(predicate, iterable)：类似filter()，但返回不满足条件的项，且惰性 -
itertools.islice(iterable, start, stop)：切片迭代器，不展开整个序列
示例：从两个大列表中找前 5 个偶数，不构建中间列表：
from itertools import chain, islice, filterfalse <p>a = range(1000000) b = range(2000000, 3000000)</p><h1>惰性拼接 + 惰性过滤 + 惰性截断</h1><p>evens = filter(lambda x: x % 2 == 0, chain(a, b)) first_5_evens = list(islice(evens, 5)) # 此刻才真正执行
用 @cached_property 或自定义 descriptor 实现惰性属性
对于开销大、访问频次低、且结果不变的属性，避免每次访问都重新计算。Python 3.8+ 的 @cached_property 是标准解法；旧版本可用描述符或手动缓存。
- 仅首次访问时计算，后续直接返回缓存值
- 线程安全（CPython 中
@cached_property内置锁） - 适用于实例属性，不适用于类属性或需要传参的方法
示例：
from functools import cached_property
<p>class DataProcessor:
def <strong>init</strong>(self, path):
self.path = path</p><pre class="brush:php;toolbar:false;">@cached_property
def parsed_data(self):
print("Parsing file... (runs once)")
return [int(x) for x in open(self.path).read().split()]proc = DataProcessor('data.txt') print(proc.parsed_data) # 触发解析 print(proc.parsed_data) # 直接返回缓存，无输出
用 dask 做大规模惰性计算图（适合数值/表格场景）
当 NumPy/Pandas 操作开始吃掉全部内存时，dask 提供了与之兼容的惰性接口。它把计算构建成任务图，直到调用 .compute() 才真正执行。
-
dask.array类似 NumPy，但操作返回惰性数组 -
dask.dataframe类似 Pandas，支持分块读取 CSV、延迟 join/filter - 自动并行化和内存调度，适合单机多核或集群
示例：
import dask.dataframe as dd
<h1>不加载数据，只构建计算图</h1><p>df = dd.read_csv('big_file.csv')
filtered = df[df['value'] > 100]
result = filtered.groupby('category').mean().compute() # 此刻才运行
惰性计算不是银弹——它让逻辑更清晰、内存更友好，但也可能掩盖性能瓶颈（比如重复触发同一惰性对象）。关键是根据场景选择：小规模用生成器，属性缓存用 @cached_property，大数据用 dask。写的时候多问一句：“我现在真需要这个值吗？”
