Python编程技巧:善用推导式

1. 概念与定义

1.1 什么是推导式？

推导式（Comprehensions）是 Python 提供的一种简洁、高效的创建序列的语法结构。它可以用一行代码替代多行循环语句，让代码更加 Pythonic。

基本语法模式：

[expression for item in iterable if condition]

1.2 四种推导式

1.2.1 列表推导式（List Comprehension）

最常用、最基础的推导式。

基础示例：

# 传统方式squares = []for i in range(10):    squares.append(i ** 2)# 推导式方式squares = [i ** 2for i in range(10)]print(squares)  # [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

带条件的推导式：

# 获取1-20之间的偶数平方even_squares = [i ** 2for i in range(1, 21) if i % 2 == 0]print(even_squares)  # [4, 16, 36, 64, 100, 144, 196, 256, 324, 400]# 三元表达式在推导式中的应用numbers = [1, -2, 3, -4, 5, -6]abs_numbers = [x if x > 0else -x for x in numbers]print(abs_numbers)  # [1, 2, 3, 4, 5, 6]

1.2.2 字典推导式（Dict Comprehension）

用于快速创建字典。

基础示例：

# 创建数字及其平方的映射square_dict = {x: x**2for x in range(1, 6)}print(square_dict)  # {1: 1, 2: 4, 3: 9, 4: 16, 5: 25}# 交换字典的键和值original = {'a': 1, 'b': 2, 'c': 3}reversed_dict = {value: key for key, value in original.items()}print(reversed_dict)  # {1: 'a', 2: 'b', 3: 'c'}# 带条件的字典推导式scores = {'Alice': 85, 'Bob': 92, 'Charlie': 78, 'David': 95}passed = {name: score for name, score in scores.items() if score >= 80}print(passed)  # {'Alice': 85, 'Bob': 92, 'David': 95}

1.2.3 集合推导式（Set Comprehension）

用于创建无重复元素的集合。

基础示例：

# 去除列表中的重复元素并计算平方numbers = [1, 2, 2, 3, 3, 3, 4, 4, 4, 4]unique_squares = {x**2for x in numbers}print(unique_squares)  # {1, 4, 9, 16}# 提取字符串中的唯一字符text = "hello world"unique_chars = {char for char in text if char != ' '}print(unique_chars)  # {'h', 'e', 'l', 'o', 'w', 'r', 'd'}

1.2.4 生成器推导式（Generator Comprehension）

使用圆括号，返回生成器对象，节省内存。

基础示例：

# 创建生成器，不会立即计算所有值squares_gen = (x**2for x in range(1000000))print(type(squares_gen))  # <class 'generator'># 按需取值print(next(squares_gen))  # 0print(next(squares_gen))  # 1print(next(squares_gen))  # 4# 与列表推导式的内存对比import syslist_comp = [x**2for x in range(1000)]gen_comp = (x**2for x in range(1000))print(f"列表推导式内存: {sys.getsizeof(list_comp)} bytes")print(f"生成器推导式内存: {sys.getsizeof(gen_comp)} bytes")

1.3 嵌套推导式

推导式嵌套的求值顺序遵循 从左到右、从外到内 的原则。理解这个顺序对于写出正确的代码至关重要。

嵌套列表推导式：

# 展平二维列表matrix = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]flattened = [num for row in matrix for num in row]print(flattened)  # [1, 2, 3, 4, 5, 6, 7, 8, 9]# 创建乘法表multiplication_table = [[i * j for j in range(1, 6)] for i in range(1, 6)]for row in multiplication_table:    print(row)# 输出:# [1, 2, 3, 4, 5]# [2, 4, 6, 8, 10]# [3, 6, 9, 12, 15]# [4, 8, 12, 16, 20]# [5, 10, 15, 20, 25]

求值示例：

flattened = [num for row in matrix for num in row]

等价于以下嵌套循环

flattened_loop = []for row in matrix:           # 外层循环先执行    for num in row:          # 内层循环后执行        flattened_loop.append(num)

嵌套字典推导式：

# 创建嵌套字典结构users = ['Alice', 'Bob', 'Charlie']scores = [85, 92, 78]# 创建用户-成绩-状态的嵌套字典user_data = {    user: {'score': score,'status': 'passed'if score >= 80else'failed'    }for user, score in zip(users, scores)}print(user_data)# 输出:# {#   'Alice': {'score': 85, 'status': 'passed'},#   'Bob': {'score': 92, 'status': 'passed'},#   'Charlie': {'score': 78, 'status': 'failed'}# }

2. 实用技巧

2.1 性能优化技巧

技巧1：使用生成器表达式处理大数据

# 错误做法：一次性加载所有数据defsum_squares_bad(n):return sum([x**2for x in range(n)])  # 创建大列表，浪费内存# 正确做法：使用生成器表达式defsum_squares_good(n):return sum(x**2for x in range(n))  # 生成器，内存友好# 性能对比import timeimport memory_profiler@memory_profiler.profiledefcompare_methods():    n = 10**7# 列表推导式版本    start = time.time()    result1 = sum([x**2for x in range(n)])    time1 = time.time() - start# 生成器版本    start = time.time()    result2 = sum(x**2for x in range(n))    time2 = time.time() - start    print(f"列表推导式: {time1:.2f}秒")    print(f"生成器推导式: {time2:.2f}秒")

技巧2：使用集合推导式去重优化

# 查找两个列表中的共同元素deffind_common_elements(list1, list2):# 传统方式    common = []for item in list1:if item in list2 and item notin common:            common.append(item)# 使用集合推导式优化    common_optimized = {item for item in list1 if item in list2}return common_optimized# 性能测试import randomlist1 = [random.randint(1, 1000) for _ in range(10000)]list2 = [random.randint(1, 1000) for _ in range(10000)]

2.2 代码简化技巧

技巧3：替代map和filter函数

# 使用map和filternumbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]squared = list(map(lambda x: x**2, numbers))evens = list(filter(lambda x: x % 2 == 0, numbers))# 使用推导式（更清晰）squared = [x**2for x in numbers]evens = [x for x in numbers if x % 2 == 0]# 组合map和filterresult = list(map(lambda x: x**2, filter(lambda x: x % 2 == 0, numbers)))# 推导式版本result = [x**2for x in numbers if x % 2 == 0]

技巧4：处理多个序列

# 并行处理两个列表names = ['Alice', 'Bob', 'Charlie']ages = [25, 30, 35]cities = ['New York', 'London', 'Tokyo']# 创建人员信息列表people = [f"{name} is {age} years old and lives in {city}"for name, age, city in zip(names, ages, cities)]# 条件组合valid_people = [    (name, age)for name, age in zip(names, ages)if age >= 30and name.startswith('C')]

2.3 数据处理技巧

技巧5：数据清洗和转换

# 清洗数据：去除空白、转换大小写、过滤空值raw_data = ['  Alice  ', 'BOB', '  ', 'Charlie', None, 'david']cleaned_data = [    name.strip().title()for name in raw_dataif name and name.strip()]print(cleaned_data)  # ['Alice', 'Bob', 'Charlie', 'David']# 复杂数据转换records = [    {'name': 'Alice', 'age': '25', 'salary': '50000'},    {'name': 'Bob', 'age': '30', 'salary': '60000'},    {'name': 'Charlie', 'age': '35', 'salary': '70000'}]processed = [    {'name': rec['name'],'age': int(rec['age']),'salary': float(rec['salary']),'tax': float(rec['salary']) * 0.2    }for rec in records]

技巧6：矩阵操作

# 矩阵转置matrix = [    [1, 2, 3],    [4, 5, 6],    [7, 8, 9]]transpose = [[row[i] for row in matrix] for i in range(len(matrix[0]))]print(transpose)  # [[1, 4, 7], [2, 5, 8], [3, 6, 9]]# 矩阵对角线元素diagonal = [matrix[i][i] for i in range(len(matrix))]print(diagonal)  # [1, 5, 9]# 矩阵条件筛选positive_matrix = [    [x for x in row if x > 0]for row in matrix]

3. 应用示例

示例1：学生成绩分析系统

案例描述： 开发一个学生成绩分析系统，处理包含多个维度的成绩数据，使用推导式进行高效的数据处理。

import statisticsfrom typing import List, Dict, AnyclassStudentGradeAnalyzer:"""学生成绩分析器"""def__init__(self, students_data: List[Dict[str, Any]]):"""        初始化学生数据        students_data: [            {'name': 'Alice', 'grades': [85, 90, 88, 92], 'class': 'A'},            {'name': 'Bob', 'grades': [78, 82, 85, 80], 'class': 'B'},            ...        ]        """        self.students = students_datadefcalculate_averages(self) -> List[Dict[str, Any]]:"""计算每个学生的平均分"""return [            {'name': student['name'],'class': student['class'],'average': statistics.mean(student['grades']),'max_grade': max(student['grades']),'min_grade': min(student['grades']),'passed': statistics.mean(student['grades']) >= 60            }for student in self.students        ]defget_top_performers(self, n: int = 3) -> List[Dict[str, Any]]:"""获取排名前n的学生"""        averages = self.calculate_averages()return sorted(averages, key=lambda x: x['average'], reverse=True)[:n]defanalyze_by_class(self) -> Dict[str, Any]:"""按班级分析成绩"""# 按班级分组        class_groups = {}for student in self.students:            class_name = student['class']if class_name notin class_groups:                class_groups[class_name] = []            class_groups[class_name].append(student)# 计算每个班级的统计信息return {            class_name: {'student_count': len(students),'average_score': statistics.mean([                    statistics.mean(s['grades']) for s in students                ]),'pass_rate': len([                    s for s in students if statistics.mean(s['grades']) >= 60                ]) / len(students) * 100,'highest_score': max([                    max(s['grades']) for s in students                ]),'students': [                    {'name': s['name'],'average': statistics.mean(s['grades'])                    }for s in sorted(students,                                   key=lambda x: statistics.mean(x['grades']),                                   reverse=True)                ]            }for class_name, students in class_groups.items()        }deffind_students_needing_help(self, threshold: float = 60) -> List[Dict]:"""找出需要帮助的学生（平均分低于阈值或有不及格科目）"""return [            {'name': student['name'],'average': statistics.mean(student['grades']),'failing_subjects': len([g for g in student['grades'] if g < 60]),'grades': student['grades']            }for student in self.studentsif statistics.mean(student['grades']) < threshold or any(g < 60for g in student['grades'])        ]# 使用示例defrun_grade_analyzer():# 生成测试数据    sample_data = [        {'name': 'Alice', 'grades': [85, 90, 88, 92], 'class': 'A'},        {'name': 'Bob', 'grades': [78, 82, 85, 80], 'class': 'B'},        {'name': 'Charlie', 'grades': [92, 88, 95, 89], 'class': 'A'},        {'name': 'David', 'grades': [65, 70, 68, 72], 'class': 'B'},        {'name': 'Eve', 'grades': [45, 55, 60, 50], 'class': 'A'},        {'name': 'Frank', 'grades': [88, 85, 90, 92], 'class': 'C'},    ]    analyzer = StudentGradeAnalyzer(sample_data)    print("=== 学生平均成绩 ===")for student in analyzer.calculate_averages():        print(f"{student['name']}: {student['average']:.1f} "f"(passed: {student['passed']})")    print("\n=== 班级分析 ===")    class_analysis = analyzer.analyze_by_class()for class_name, stats in class_analysis.items():        print(f"\n班级 {class_name}:")        print(f"  人数: {stats['student_count']}")        print(f"  平均分: {stats['average_score']:.1f}")        print(f"  及格率: {stats['pass_rate']:.1f}%")        print(f"  最高分: {stats['highest_score']}")    print("\n=== 需要帮助的学生 ===")for student in analyzer.find_students_needing_help():        print(f"{student['name']}: 平均分 {student['average']:.1f}, "f"不及格科目数 {student['failing_subjects']}")if __name__ == "__main__":    run_grade_analyzer()

示例2：日志分析与监控系统

案例描述： 开发一个日志分析系统，处理大量日志数据，使用推导式进行快速过滤和分析。

import refrom datetime import datetimefrom collections import Counterfrom typing import List, Dict, Generatorimport jsonclassLogAnalyzer:"""日志分析器"""def__init__(self, log_entries: List[str]):        self.raw_logs = log_entries        self.parsed_logs = self._parse_logs()def_parse_logs(self) -> List[Dict]:"""解析日志条目"""        log_pattern = re.compile(r'(\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}) - 'r'(\w+) - (.*?)(?: - (\{.*\}))?$'        )return [            {'timestamp': datetime.strptime(match.group(1), '%Y-%m-%d %H:%M:%S'),'level': match.group(2),'message': match.group(3),'metadata': json.loads(match.group(4)) if match.group(4) else {}            }for log in self.raw_logsfor match in [log_pattern.match(log)]if match        ]deffilter_by_level(self, level: str) -> List[Dict]:"""按日志级别过滤"""return [log for log in self.parsed_logs if log['level'] == level]deffilter_by_time_range(self, start_time: datetime, end_time: datetime) -> List[Dict]:"""按时间范围过滤"""return [            log for log in self.parsed_logsif start_time <= log['timestamp'] <= end_time        ]defget_error_summary(self) -> Dict[str, any]:"""获取错误摘要"""        error_logs = self.filter_by_level('ERROR')return {'total_errors': len(error_logs),'error_types': Counter(                self._extract_error_type(log['message']) for log in error_logs            ),'errors_by_hour': Counter(                log['timestamp'].hour for log in error_logs            ),'recent_errors': [                {'time': log['timestamp'].strftime('%H:%M:%S'),'message': log['message'][:50] + '...'                }for log in sorted(error_logs,                                  key=lambda x: x['timestamp'],                                  reverse=True)[:5]            ]        }def_extract_error_type(self, message: str) -> str:"""提取错误类型"""        common_errors = ['Timeout', 'Connection', 'Database', 'Memory', 'IO']for error in common_errors:if error in message:return errorreturn'Other'defsearch_logs(self, keyword: str, case_sensitive: bool = False) -> Generator:"""搜索包含关键字的日志（生成器版本，节省内存）"""ifnot case_sensitive:            keyword = keyword.lower()return (                log for log in self.parsed_logsif keyword in log['message'].lower()            )return (            log for log in self.parsed_logsif keyword in log['message']        )defgenerate_statistics(self) -> Dict:"""生成统计信息"""return {'total_logs': len(self.parsed_logs),'unique_ips': len(set(                meta.get('ip') for log in self.parsed_logs for meta in [log['metadata']]if'ip'in meta            )),'level_distribution': dict(Counter(                log['level'] for log in self.parsed_logs            )),'top_endpoints': Counter(                meta.get('endpoint', 'unknown')for log in self.parsed_logsfor meta in [log['metadata']]if'endpoint'in meta            ).most_common(5),'response_time_stats': self._calculate_response_times(),'hourly_activity': [                {'hour': hour,'count': len([l for l in self.parsed_logs if l['timestamp'].hour == hour]),'errors': len([l for l in self.parsed_logs if l['timestamp'].hour == hour and l['level'] == 'ERROR'])                }for hour in range(24)            ]        }def_calculate_response_times(self) -> Dict:"""计算响应时间统计"""        response_times = [            meta['response_time']for log in self.parsed_logsfor meta in [log['metadata']]if'response_time'in meta        ]if response_times:return {'avg': sum(response_times) / len(response_times),'max': max(response_times),'min': min(response_times),'p95': sorted(response_times)[int(len(response_times) * 0.95)]            }return {}# 使用示例defrun_log_analyzer():# 模拟日志数据    sample_logs = ["2024-01-15 08:23:45 - INFO - User logged in - {\"ip\": \"192.168.1.1\", \"user_id\": 123}","2024-01-15 08:24:12 - INFO - Page accessed - {\"ip\": \"192.168.1.2\", \"endpoint\": \"/api/users\", \"response_time\": 145}","2024-01-15 08:25:30 - ERROR - Database connection timeout - {\"ip\": \"192.168.1.1\", \"endpoint\": \"/api/data\"}","2024-01-15 08:26:45 - WARNING - High memory usage - {\"usage\": 85}","2024-01-15 08:27:18 - ERROR - Connection refused - {\"ip\": \"192.168.1.3\", \"endpoint\": \"/api/service\"}","2024-01-15 08:28:02 - INFO - File uploaded - {\"ip\": \"192.168.1.4\", \"file_size\": 2048}","2024-01-15 08:29:33 - ERROR - Timeout error - {\"ip\": \"192.168.1.2\", \"endpoint\": \"/api/process\"}",    ]    analyzer = LogAnalyzer(sample_logs)    print("=== 日志统计信息 ===")    stats = analyzer.generate_statistics()    print(f"总日志数: {stats['total_logs']}")    print(f"唯一IP数: {stats['unique_ips']}")    print(f"日志级别分布: {stats['level_distribution']}")    print(f"热门端点: {stats['top_endpoints']}")    print("\n=== 错误摘要 ===")    error_summary = analyzer.get_error_summary()    print(f"错误总数: {error_summary['total_errors']}")    print(f"错误类型: {dict(error_summary['error_types'])}")    print("最近错误:")for error in error_summary['recent_errors']:        print(f"  {error['time']} - {error['message']}")    print("\n=== 搜索包含'connection'的日志 ===")for log in analyzer.search_logs('connection'):        print(f"[{log['level']}] {log['message']}")if __name__ == "__main__":    run_log_analyzer()

示例3：数据清洗与转换ETL工具

案例描述： 构建一个数据处理工具，使用推导式进行复杂的数据清洗、转换和验证。

import reimport hashlibfrom typing import List, Dict, Any, Callable, Unionfrom datetime import datetimeimport jsonclassDataETLPipeline:"""ETL数据处理管道"""def__init__(self, data: List[Dict]):        self.original_data = data        self.transformed_data = data.copy()        self.validation_errors = []defclean_data(self, cleaning_rules: Dict[str, List[Callable]]) -> 'DataETLPipeline':"""数据清洗：应用清洗规则"""        self.transformed_data = [            {                key: self._apply_cleaning_rules(value, cleaning_rules.get(key, []))for key, value in record.items()            }for record in self.transformed_data        ]return selfdef_apply_cleaning_rules(self, value: Any, rules: List[Callable]) -> Any:"""应用清洗规则"""for rule in rules:try:                value = rule(value)except Exception as e:                self.validation_errors.append(f"清洗规则失败: {rule.__name__} - {str(e)}")return valuedeftransform_data(self, transformations: Dict[str, Callable]) -> 'DataETLPipeline':"""数据转换：应用转换函数"""        self.transformed_data = [            {                **record,                **{                    new_key: transform_func(record)for new_key, transform_func in transformations.items()                }            }for record in self.transformed_data        ]return selfdefvalidate_data(self, validation_rules: Dict[str, Callable]) -> 'DataETLPipeline':"""数据验证：验证数据完整性"""        valid_records = []for record in self.transformed_data:            is_valid = all(                validator(record.get(field))for field, validator in validation_rules.items()            )if is_valid:                valid_records.append(record)else:                self.validation_errors.append(f"记录验证失败: {record}")        self.transformed_data = valid_recordsreturn selfdeffilter_data(self, condition: Callable[[Dict], bool]) -> 'DataETLPipeline':"""数据过滤：根据条件过滤记录"""        self.transformed_data = [            record for record in self.transformed_dataif condition(record)        ]return selfdefaggregate_data(self, group_by: str, aggregations: Dict[str, Callable]) -> List[Dict]:"""数据聚合：按字段分组聚合"""# 按分组字段分组        groups = {}for record in self.transformed_data:            key = record.get(group_by)if key notin groups:                groups[key] = []            groups[key].append(record)# 聚合计算return [            {                group_by: group_key,                **{                    agg_name: agg_func(group_records)for agg_name, agg_func in aggregations.items()                }            }for group_key, group_records in groups.items()        ]defextract_metrics(self, metrics: Dict[str, Callable]) -> Dict:"""提取指标数据"""return {            metric_name: metric_func(self.transformed_data)for metric_name, metric_func in metrics.items()        }defget_summary(self) -> Dict:"""获取处理摘要"""return {'original_count': len(self.original_data),'transformed_count': len(self.transformed_data),'validation_errors': len(self.validation_errors),'error_samples': self.validation_errors[:5],'field_statistics': self._generate_field_stats()        }def_generate_field_stats(self) -> Dict:"""生成字段统计信息"""ifnot self.transformed_data:return {}return {            field: {'type': type(self.transformed_data[0][field]).__name__,'unique_values': len(set(                    record[field] for record in self.transformed_data                )),'missing': len([                    r for r in self.transformed_data if r.get(field) in (None, '', [])                ]),'sample_values': [                    record[field] for record in self.transformed_data[:3]                ]            }for field in self.transformed_data[0].keys()        }# 定义常用的清洗和转换函数classDataTransformations:"""常用的数据转换函数"""    @staticmethoddefstrip_whitespace(value: str) -> str:"""去除空白字符"""return value.strip() if isinstance(value, str) else value    @staticmethoddefto_lowercase(value: str) -> str:"""转换为小写"""return value.lower() if isinstance(value, str) else value    @staticmethoddefto_uppercase(value: str) -> str:"""转换为大写"""return value.upper() if isinstance(value, str) else value    @staticmethoddefto_date(value: str, format: str = '%Y-%m-%d') -> datetime:"""转换为日期"""if isinstance(value, str):try:return datetime.strptime(value, format)except:return valuereturn value    @staticmethoddefto_float(value: Union[str, int, float]) -> float:"""转换为浮点数"""try:return float(value)except (ValueError, TypeError):return0.0    @staticmethoddefmask_email(email: str) -> str:"""掩码邮箱地址"""if'@'notin email:return email        local, domain = email.split('@')        masked_local = local[:3] + '*' * (len(local) - 3) if len(local) > 3else localreturnf"{masked_local}@{domain}"    @staticmethoddefhash_value(value: str, algorithm: str = 'md5') -> str:"""哈希值"""ifnot isinstance(value, str):            value = str(value)return hashlib.md5(value.encode()).hexdigest()[:8]# 使用示例defrun_etl_pipeline():# 原始数据    raw_data = [        {'name': '  Alice Smith  ', 'email': 'ALICE@EXAMPLE.COM', 'age': '25', 'salary': '50000.50', 'join_date': '2023-01-15'},        {'name': 'Bob Johnson', 'email': 'bob@example.com', 'age': '30', 'salary': '60000.75', 'join_date': '2023-02-20'},        {'name': 'Charlie Brown', 'email': '', 'age': '35', 'salary': 'invalid', 'join_date': '2023-03-10'},        {'name': 'Diana Prince', 'email': 'diana@example.com', 'age': '28', 'salary': '55000.25', 'join_date': '2023-04-05'},        {'name': '   ', 'email': 'invalid-email', 'age': 'forty', 'salary': '70000.00', 'join_date': '2023-05-12'},    ]# 创建ETL管道    etl = DataETLPipeline(raw_data)# 定义清洗规则    cleaning_rules = {'name': [            DataTransformations.strip_whitespace,lambda x: x if x and x.strip() else'Unknown'        ],'email': [            DataTransformations.strip_whitespace,            DataTransformations.to_lowercase,lambda x: x if'@'in x elseNone        ],'age': [            DataTransformations.to_float,lambda x: x if0 < x < 120elseNone        ],    }# 定义转换规则    transformations = {'email_masked': lambda r: DataTransformations.mask_email(r.get('email', '')),'id_hash': lambda r: DataTransformations.hash_value(f"{r.get('name')}{r.get('age')}"),'salary_float': lambda r: DataTransformations.to_float(r.get('salary', 0)),'join_year': lambda r: DataTransformations.to_date(r.get('join_date')).year if DataTransformations.to_date(r.get('join_date')) elseNone,'seniority': lambda r: 'Senior'if DataTransformations.to_float(r.get('age', 0)) > 30else'Junior'    }# 定义验证规则    validation_rules = {'name': lambda x: x and x != 'Unknown','email': lambda x: x and'@'in x,'age': lambda x: isinstance(x, (int, float)) and0 < x < 120,    }# 执行ETL流程    result = (etl        .clean_data(cleaning_rules)        .transform_data(transformations)        .validate_data(validation_rules)        .filter_data(lambda r: r.get('age', 0) >= 25)    )# 打印结果    print("=== 清洗后的数据 ===")for record in result.transformed_data:        print(json.dumps(record, indent=2, default=str))    print("\n=== 处理摘要 ===")    summary = result.get_summary()    print(f"原始记录数: {summary['original_count']}")    print(f"处理后记录数: {summary['transformed_count']}")    print(f"验证错误数: {summary['validation_errors']}")# 聚合分析    print("\n=== 按资历分组 ===")    aggregations = result.aggregate_data(        group_by='seniority',        aggregations={'count': lambda g: len(g),'avg_age': lambda g: sum(r['age'] for r in g) / len(g),'avg_salary': lambda g: sum(r['salary_float'] for r in g) / len(g),'names': lambda g: [r['name'] for r in g]        }    )for group in aggregations:        print(json.dumps(group, indent=2))# 提取指标    metrics = result.extract_metrics({'total_records': lambda d: len(d),'avg_age': lambda d: sum(r['age'] for r in d) / len(d) if d else0,'total_salary': lambda d: sum(r['salary_float'] for r in d),'unique_domains': lambda d: len(set(            r['email'].split('@')[1] for r in d if r.get('email')        ))    })    print("\n=== 指标统计 ===")    print(json.dumps(metrics, indent=2))if __name__ == "__main__":    run_etl_pipeline()

4. 注意事项

4.1 性能对比示例代码

import timeitimport sysdefperformance_comparison():"""比较不同方法的性能"""# 测试1：列表创建    print("=== 测试1：创建1-1000的平方列表 ===")# 传统循环deftraditional():        result = []for i in range(1000):            result.append(i ** 2)return result# 列表推导式defcomprehension():return [i ** 2for i in range(1000)]# map函数defmap_func():return list(map(lambda x: x ** 2, range(1000)))    time_traditional = timeit.timeit(traditional, number=10000)    time_comprehension = timeit.timeit(comprehension, number=10000)    time_map = timeit.timeit(map_func, number=10000)    print(f"传统循环: {time_traditional:.4f}秒")    print(f"列表推导式: {time_comprehension:.4f}秒")    print(f"map函数: {time_map:.4f}秒")# 测试2：条件过滤    print("\n=== 测试2：过滤偶数并计算平方 ===")deftraditional_filter():        result = []for i in range(1000):if i % 2 == 0:                result.append(i ** 2)return resultdefcomprehension_filter():return [i ** 2for i in range(1000) if i % 2 == 0]deffilter_map():return list(map(lambda x: x ** 2, filter(lambda x: x % 2 == 0, range(1000))))    time_traditional = timeit.timeit(traditional_filter, number=10000)    time_comprehension = timeit.timeit(comprehension_filter, number=10000)    time_filter_map = timeit.timeit(filter_map, number=10000)    print(f"传统循环: {time_traditional:.4f}秒")    print(f"列表推导式: {time_comprehension:.4f}秒")    print(f"filter+map: {time_filter_map:.4f}秒")# 测试3：嵌套循环    print("\n=== 测试3：创建5x5乘法表 ===")deftraditional_nested():        result = []for i in range(1, 6):            row = []for j in range(1, 6):                row.append(i * j)            result.append(row)return resultdefcomprehension_nested():return [[i * j for j in range(1, 6)] for i in range(1, 6)]    time_traditional = timeit.timeit(traditional_nested, number=100000)    time_comprehension = timeit.timeit(comprehension_nested, number=100000)    print(f"传统嵌套循环: {time_traditional:.4f}秒")    print(f"嵌套推导式: {time_comprehension:.4f}秒")if __name__ == "__main__":    performance_comparison()

4.2 常见陷阱

classComprehensionPitfalls:"""推导式常见陷阱示例"""    @staticmethoddeftrap1_variable_leakage():"""陷阱1：变量泄露（Python 2 vs Python 3）"""# Python 3中不会泄露        x = 'outer'        squares = [x ** 2for x in range(5)]        print(f"外部x: {x}")  # 仍然是 'outer'，不是4# 但在某些情况下需要小心        i = 10        data = [i * 2for i in range(3)]        print(f"外部i: {i}")  # 仍然是10    @staticmethoddeftrap2_memory_explosion():"""陷阱2：内存爆炸"""# 错误做法：一次性创建大列表defdangerous():return [x ** 2for x in range(10**7)]  # 可能耗尽内存# 正确做法：使用生成器表达式defsafe():return (x ** 2for x in range(10**7))    @staticmethoddeftrap3_readability_issues():"""陷阱3：过度使用导致可读性下降"""# 难以理解的推导式        matrix = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]# 糟糕的可读性        result = [x for row in matrix for x in row if x % 2 == 0and x > 4]# 更好的可读性        flattened = [x for row in matrix for x in row]        filtered = [x for x in flattened if x % 2 == 0and x > 4]        print(f"糟糕的方式: {result}")        print(f"更好的方式: {filtered}")    @staticmethoddeftrap4_condition_placement():"""陷阱4：条件放置错误"""        data = [1, -2, 3, -4, 5, -6]# 错误：条件应用不当        wrong = [x if x > 0else0for x in data if x % 2 == 0]        print(f"错误结果: {wrong}")  # 先过滤偶数，再处理# 正确：分步思考        correct = [(x if x > 0else0) for x in data if x % 2 == 0]        print(f"正确结果: {correct}")    @staticmethoddeftrap5_side_effects():"""陷阱5：在推导式中使用副作用"""# 错误：在推导式中执行副作用操作defbad_example():            processed = []            [processed.append(x ** 2) for x in range(5)]  # 错误用法return processed# 正确：推导式只用于转换defgood_example():return [x ** 2for x in range(5)]# 如果需要副作用，使用显式循环defside_effect_needed():            processed = []for x in range(5):                value = x ** 2                processed.append(value)                print(f"处理: {value}")  # 副作用return processeddefbest_practices():"""推导式最佳实践"""# 1. 保持简单（KISS原则）# 好的做法    squares = [x ** 2for x in range(10)]# 不好的做法（过于复杂）    complex_data = [        [x * y for y in range(5) if y % 2 == 0]for x in range(5)if x > 2for z in [1, 2]if z < 3    ]# 2. 适当拆分defsplit_comprehension(data):# 不拆分        result1 = [x ** 2for row in data for x in row if x % 2 == 0and x ** 2 > 10]# 拆分版本        flattened = [x for row in data for x in row]        evens = [x for x in flattened if x % 2 == 0]        result2 = [x ** 2for x in evens if x ** 2 > 10]return result2# 3. 命名有意义# 不好的命名    d = [x for x in r if x > 0]# 好的命名    positive_numbers = [num for num in raw_data if num > 0]# 4. 考虑使用内置函数    numbers = [1, 2, 3, 4, 5]# 手动计算总和    total1 = sum([x for x in numbers])  # 不必要的列表创建# 更好的方式    total2 = sum(x for x in numbers)  # 生成器表达式    total3 = sum(numbers)  # 直接使用序列# 5. 文档化复杂的推导式defcomplex_transformation(data):"""转换数据结构：        从原始数据创建标准化的用户字典        """return [            {'id': idx,'name': item.get('name', '').strip().title(),'email': item.get('email', '').lower(),'age': int(item.get('age', 0)) if item.get('age', '').isdigit() else0,'active': item.get('status') == 'active'            }for idx, item in enumerate(data)if item.get('name')  # 跳过没有名字的记录        ]if __name__ == "__main__":    pitfalls = ComprehensionPitfalls()    pitfalls.trap1_variable_leakage()    pitfalls.trap3_readability_issues()    pitfalls.trap4_condition_placement()    best_practices()

5. 练习推荐

5.1 基础练习

# 练习1：字符串处理defstring_exercises():"""字符串处理练习"""    words = ["Python", "is", "awesome", "and", "powerful"]# 1.1 将列表中的单词转换为大写    uppercase_words = [word.upper() for word in words]    print(f"大写单词: {uppercase_words}")# 1.2 只保留长度大于3的单词    long_words = [word for word in words if len(word) > 3]    print(f"长单词: {long_words}")# 1.3 创建单词长度字典    word_lengths = {word: len(word) for word in words}    print(f"单词长度: {word_lengths}")# 1.4 提取所有元音字母    vowels = {char for word in words for char in word if char.lower() in'aeiou'}    print(f"元音字母: {vowels}")# 练习2：数值处理defnumeric_exercises():"""数值处理练习"""    numbers = [1, 5, -3, 7, -2, 8, -1, 4, 0, 6]# 2.1 获取所有正数的平方    positive_squares = [x ** 2for x in numbers if x > 0]    print(f"正数平方: {positive_squares}")# 2.2 计算正负数的个数    positive_count = len([x for x in numbers if x > 0])    negative_count = len([x for x in numbers if x < 0])    print(f"正数: {positive_count}, 负数: {negative_count}")# 2.3 创建数字分类字典    classified = {'positive': [x for x in numbers if x > 0],'negative': [x for x in numbers if x < 0],'zero': [x for x in numbers if x == 0]    }    print(f"分类结果: {classified}")# 练习3：文件处理deffile_exercises():"""文件处理练习"""import os# 模拟文件列表    files = ["document.txt", "image.jpg", "data.csv", "script.py", "notes.txt", "photo.png"    ]# 3.1 按扩展名分组    extensions = {file.split('.')[-1] for file in files if'.'in file}    grouped = {        ext: [file for file in files if file.endswith(ext)]for ext in extensions    }    print(f"文件分组: {grouped}")# 3.2 获取所有文本文件    text_files = [file for file in files if file.endswith(('.txt', '.csv'))]    print(f"文本文件: {text_files}")

5.2 中级练习

练习4：股票数据分析器

import randomfrom datetime import datetime, timedeltaclassStockAnalyzer:"""股票数据分析器"""def__init__(self, stock_data):"""        stock_data: [            {'symbol': 'AAPL', 'date': '2024-01-15', 'open': 150.0,              'high': 155.0, 'low': 149.0, 'close': 154.0, 'volume': 1000000},            ...        ]        """        self.data = stock_datadefcalculate_daily_returns(self):"""计算每日收益率"""return [            {'symbol': item['symbol'],'date': item['date'],'return': (item['close'] - item['open']) / item['open'] * 100,'volatility': (item['high'] - item['low']) / item['open'] * 100            }for item in self.data        ]deffind_best_performers(self, top_n=5):"""找出表现最好的股票"""        daily_returns = self.calculate_daily_returns()return sorted(daily_returns,                      key=lambda x: x['return'],                      reverse=True)[:top_n]defcalculate_moving_average(self, symbol, window=5):"""计算移动平均线"""        symbol_data = [item for item in self.data if item['symbol'] == symbol]        symbol_data.sort(key=lambda x: x['date'])return [            {'date': item['date'],'close': item['close'],'ma': sum(symbol_data[max(0, i-window+1):i+1]['close'] for i in range(max(0, idx-window+1), idx+1)) / window            }for idx, item in enumerate(symbol_data)        ]defget_statistics(self):"""获取统计信息"""        symbols = {item['symbol'] for item in self.data}return {            symbol: {'avg_close': sum(                    item['close'] for item in self.data if item['symbol'] == symbol                ) / len([i for i in self.data if i['symbol'] == symbol]),'max_high': max(                    item['high'] for item in self.data if item['symbol'] == symbol                ),'min_low': min(                    item['low'] for item in self.data if item['symbol'] == symbol                ),'total_volume': sum(                    item['volume'] for item in self.data if item['symbol'] == symbol                )            }for symbol in symbols        }# 生成测试数据defgenerate_stock_data():    symbols = ['AAPL', 'GOOGL', 'MSFT', 'AMZN', 'TSLA']    data = []for symbol in symbols:        price = random.uniform(100, 1000)for days_ago in range(30):            date = datetime.now() - timedelta(days=days_ago)            change = random.uniform(-0.05, 0.05)            open_price = price * (1 + change)            high = open_price * random.uniform(1.01, 1.05)            low = open_price * random.uniform(0.95, 0.99)            close = random.uniform(low, high)            volume = random.randint(500000, 5000000)            data.append({'symbol': symbol,'date': date.strftime('%Y-%m-%d'),'open': round(open_price, 2),'high': round(high, 2),'low': round(low, 2),'close': round(close, 2),'volume': volume            })            price = closereturn data# 运行挑战defrun_stock_challenge():    print("=== 股票数据分析挑战 ===")    data = generate_stock_data()    analyzer = StockAnalyzer(data)    print("\n最佳表现股票:")for stock in analyzer.find_best_performers(3):        print(f"{stock['symbol']}: {stock['return']:.2f}%")    print("\n统计信息:")    stats = analyzer.get_statistics()for symbol, stat in stats.items():        print(f"{symbol}: 平均收盘价 ${stat['avg_close']:.2f}, "f"总成交量 {stat['total_volume']:,}")if __name__ == "__main__":    run_stock_challenge()

练习5：社交网络分析器

from collections import Counterimport itertoolsclassSocialNetworkAnalyzer:"""社交网络分析器"""def__init__(self, users, posts, interactions):"""        users: [{'id': 1, 'name': 'Alice', 'age': 25, 'city': 'New York'}, ...]        posts: [{'id': 101, 'user_id': 1, 'content': '...', 'timestamp': '...'}, ...]        interactions: [{'user_id': 1, 'post_id': 101, 'type': 'like', 'timestamp': '...'}, ...]        """        self.users = users        self.posts = posts        self.interactions = interactionsdefget_active_users(self, min_posts=5, min_interactions=10):"""找出活跃用户"""# 计算用户发帖数        post_counts = Counter(            post['user_id'] for post in self.posts        )# 计算用户互动数        interaction_counts = Counter(            interaction['user_id'] for interaction in self.interactions        )return [            {                **user,'posts_count': post_counts.get(user['id'], 0),'interactions_count': interaction_counts.get(user['id'], 0),'activity_score': (                    post_counts.get(user['id'], 0) * 2 +                     interaction_counts.get(user['id'], 0)                )            }for user in self.usersif (post_counts.get(user['id'], 0) >= min_posts or                interaction_counts.get(user['id'], 0) >= min_interactions)        ]deffind_influencers(self, top_n=5):"""找出有影响力的用户"""# 计算每个用户获得的互动数        received_interactions = Counter(            interaction['post_id'] for interaction in self.interactions        )        post_author = {            post['id']: post['user_id'] for post in self.posts        }        influencer_scores = Counter()for post_id, interaction_count in received_interactions.items():            author_id = post_author.get(post_id)if author_id:                influencer_scores[author_id] += interaction_countreturn [            {'user': next(user for user in self.users if user['id'] == user_id),'total_interactions': score,'avg_interactions_per_post': score / len([                    p for p in self.posts if p['user_id'] == user_id                ]) if len([p for p in self.posts if p['user_id'] == user_id]) > 0else0            }for user_id, score in influencer_scores.most_common(top_n)        ]defanalyze_engagement_by_demographics(self):"""按人口统计特征分析参与度"""# 按城市分组        city_groups = {}for user in self.users:            city = user.get('city', 'Unknown')if city notin city_groups:                city_groups[city] = []            city_groups[city].append(user['id'])return {            city: {'user_count': len(user_ids),'total_posts': len([                    p for p in self.posts if p['user_id'] in user_ids                ]),'total_interactions': len([                    i for i in self.interactions if i['user_id'] in user_ids                ]),'avg_posts_per_user': len([                    p for p in self.posts if p['user_id'] in user_ids                ]) / len(user_ids) if user_ids else0,'active_users': len([                    uid for uid in user_idsif len([p for p in self.posts if p['user_id'] == uid]) > 0                ])            }for city, user_ids in city_groups.items()        }defdetect_communities(self):"""检测社区（基于互动关系）"""# 构建互动图        interactions_by_user = {}for interaction in self.interactions:            user_id = interaction['user_id']if user_id notin interactions_by_user:                interactions_by_user[user_id] = set()# 找到帖子作者            post = next((p for p in self.posts if p['id'] == interaction['post_id']), None)if post and post['user_id'] != user_id:                interactions_by_user[user_id].add(post['user_id'])# 简单的社区检测（基于共同互动）        communities = []        processed = set()for user_id, interacted_with in interactions_by_user.items():if user_id in processed:continue# 找到与当前用户有共同互动的用户            community = {user_id}for other_id, other_interactions in interactions_by_user.items():if other_id != user_id and other_id notin processed:if len(interacted_with & other_interactions) > 0:                        community.add(other_id)            processed.update(community)if len(community) > 1:                communities.append({'size': len(community),'members': [                        next(u for u in self.users if u['id'] == uid)['name']for uid in community                    ],'common_interests': list(set().union(                        *[interactions_by_user.get(uid, set()) for uid in community]                    ))                })return communitiesdefgenerate_content_recommendations(self, user_id, n=5):"""生成内容推荐"""# 获取用户互动过的帖子类型        user_interactions = [            i for i in self.interactions if i['user_id'] == user_id        ]        user_interacted_posts = [            next(p for p in self.posts if p['id'] == i['post_id'])for i in user_interactions        ]# 提取关键词（简化版：使用单词长度作为特征）defextract_keywords(content):return [word for word in content.split() if len(word) > 3]        user_keywords = Counter()for post in user_interacted_posts:            user_keywords.update(extract_keywords(post['content']))# 找到未互动过的帖子        interacted_post_ids = {i['post_id'] for i in user_interactions}        candidate_posts = [            p for p in self.posts if p['id'] notin interacted_post_ids        ]# 计算推荐分数        scored_posts = [            {'post': post,'score': sum(                    user_keywords.get(keyword, 0) for keyword in extract_keywords(post['content'])                )            }for post in candidate_posts        ]return sorted(            scored_posts,             key=lambda x: x['score'],             reverse=True        )[:n]# 运行挑战defrun_social_network_challenge():    print("=== 社交网络分析挑战 ===")# 生成测试数据    users = [        {'id': 1, 'name': 'Alice', 'age': 25, 'city': 'New York'},        {'id': 2, 'name': 'Bob', 'age': 30, 'city': 'London'},        {'id': 3, 'name': 'Charlie', 'age': 28, 'city': 'New York'},        {'id': 4, 'name': 'Diana', 'age': 32, 'city': 'Tokyo'},        {'id': 5, 'name': 'Eve', 'age': 26, 'city': 'London'},    ]    posts = [        {'id': 101, 'user_id': 1, 'content': 'Python programming is amazing!', 'timestamp': '2024-01-15 10:00'},        {'id': 102, 'user_id': 2, 'content': 'Just finished a great book on AI', 'timestamp': '2024-01-15 11:00'},        {'id': 103, 'user_id': 1, 'content': 'Data science is the future', 'timestamp': '2024-01-15 12:00'},        {'id': 104, 'user_id': 3, 'content': 'Learning machine learning', 'timestamp': '2024-01-15 13:00'},        {'id': 105, 'user_id': 4, 'content': 'Beautiful sunset in Tokyo', 'timestamp': '2024-01-15 14:00'},    ]    interactions = [        {'user_id': 2, 'post_id': 101, 'type': 'like', 'timestamp': '2024-01-15 10:30'},        {'user_id': 3, 'post_id': 101, 'type': 'comment', 'timestamp': '2024-01-15 10:45'},        {'user_id': 4, 'post_id': 102, 'type': 'like', 'timestamp': '2024-01-15 11:30'},        {'user_id': 5, 'post_id': 101, 'type': 'share', 'timestamp': '2024-01-15 12:15'},        {'user_id': 1, 'post_id': 104, 'type': 'like', 'timestamp': '2024-01-15 13:30'},        {'user_id': 2, 'post_id': 103, 'type': 'like', 'timestamp': '2024-01-15 14:00'},        {'user_id': 3, 'post_id': 105, 'type': 'comment', 'timestamp': '2024-01-15 14:30'},    ]    analyzer = SocialNetworkAnalyzer(users, posts, interactions)    print("\n活跃用户:")for user in analyzer.get_active_users(min_posts=1):        print(f"{user['name']}: {user['posts_count']} posts, "f"{user['interactions_count']} interactions")    print("\n有影响力的用户:")for influencer in analyzer.find_influencers(3):        print(f"{influencer['user']['name']}: "f"{influencer['total_interactions']} total interactions")    print("\n按城市分析:")    city_analysis = analyzer.analyze_engagement_by_demographics()for city, stats in city_analysis.items():        print(f"{city}: {stats['user_count']} users, "f"{stats['total_posts']} posts, "f"{stats['avg_posts_per_user']:.1f} avg posts/user")    print("\n检测到的社区:")for community in analyzer.detect_communities():        print(f"社区大小: {community['size']}, "f"成员: {', '.join(community['members'])}")if __name__ == "__main__":    run_social_network_challenge()

6. 高级技巧

classAdvancedComprehensions:"""高级推导式技巧"""    @staticmethoddefconditional_nested_comprehensions():"""条件嵌套推导式"""        matrix = [            [1, 2, 3, 4],            [5, 6, 7, 8],            [9, 10, 11, 12]        ]# 获取所有大于5且是偶数的元素        result = [            num for row in matrix for num in row if num > 5and num % 2 == 0        ]        print(f"条件嵌套结果: {result}")    @staticmethoddefmultiple_if_conditions():"""多个if条件"""        numbers = range(1, 31)# 复杂的条件组合        special_numbers = [            x for x in numbersif x % 2 == 0# 偶数if x % 3 == 0# 能被3整除if x > 10# 大于10if str(x)[-1] != '0'# 不以0结尾        ]        print(f"特殊数字: {special_numbers}")    @staticmethoddefusing_walrus_operator():"""使用海象运算符（Python 3.8+）"""        data = [1, 4, 2, 8, 5, 7, 3, 6]# 同时计算和处理        processed = [            squared for x in data if (squared := x ** 2) > 10        ]        print(f"使用海象运算符: {processed}")    @staticmethoddefasync_comprehensions():"""异步推导式（Python 3.6+）"""import asyncioasyncdeffetch_data(id):await asyncio.sleep(0.1)returnf"data-{id}"asyncdefmain():# 异步列表推导式            results = [await fetch_data(i) for i in range(5)            ]            print(f"异步结果: {results}")# 异步集合推导式            unique_results = {await fetch_data(i % 3) for i in range(5)            }            print(f"异步唯一结果: {unique_results}")# asyncio.run(main())    @staticmethoddeftype_hints_with_comprehensions():"""带类型提示的推导式"""from typing import List, Dict, Set, Generator# 带类型提示的列表推导式        numbers: List[int] = [x for x in range(10)]# 带类型提示的字典推导式        squares: Dict[int, int] = {x: x**2for x in numbers}# 带类型提示的集合推导式        unique_values: Set[int] = {x % 3for x in numbers}# 带类型提示的生成器表达式        even_numbers: Generator[int, None, None] = (x for x in numbers if x % 2 == 0)        print(f"类型提示示例: {squares}")# 面试常见问题classInterviewQuestions:"""面试常见问题"""    @staticmethoddefquestion1_flatten_nested_list():"""问题1：展平嵌套列表"""        nested = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]# 解法1：列表推导式        flattened1 = [num for sublist in nested for num in sublist]# 解法2：递归展平（处理多层嵌套）defflatten_deep(nested_list):return [                item for sublist in nested_list for item in (flatten_deep(sublist) if isinstance(sublist, list) else [sublist])            ]        deep_nested = [1, [2, 3], [4, [5, 6]]]        flattened2 = flatten_deep(deep_nested)        print(f"展平结果1: {flattened1}")        print(f"展平结果2: {flattened2}")    @staticmethoddefquestion2_find_common_elements():"""问题2：找出两个列表的共同元素"""        list1 = [1, 2, 3, 4, 5]        list2 = [4, 5, 6, 7, 8]# 解法1：使用集合        common = list(set(list1) & set(list2))# 解法2：使用推导式        common2 = [x for x in list1 if x in list2]        print(f"共同元素: {common}")    @staticmethoddefquestion3_remove_duplicates_preserve_order():"""问题3：去重并保持顺序"""        data = [3, 1, 2, 1, 3, 4, 2, 5]# 解法：使用集合记录已见元素        seen = set()        unique = [x for x in data ifnot (x in seen or seen.add(x))]        print(f"去重后（保持顺序）: {unique}")    @staticmethoddefquestion4_group_by_key():"""问题4：按键分组"""        items = [            {'category': 'fruit', 'name': 'apple'},            {'category': 'fruit', 'name': 'banana'},            {'category': 'vegetable', 'name': 'carrot'},            {'category': 'fruit', 'name': 'orange'},            {'category': 'vegetable', 'name': 'broccoli'},        ]# 使用字典推导式分组        grouped = {}for item in items:            category = item['category']if category notin grouped:                grouped[category] = []            grouped[category].append(item['name'])# 更简洁的写法        grouped2 = {            category: [item['name'] for item in items if item['category'] == category]for category in {item['category'] for item in items}        }        print(f"分组结果: {grouped2}")    @staticmethoddefquestion5_matrix_transpose():"""问题5：矩阵转置"""        matrix = [            [1, 2, 3],            [4, 5, 6],            [7, 8, 9]        ]# 解法：使用zip和列表推导式        transpose = [list(row) for row in zip(*matrix)]# 手动实现        transpose2 = [            [matrix[j][i] for j in range(len(matrix))]for i in range(len(matrix[0]))        ]        print(f"转置结果: {transpose}")    @staticmethoddefquestion6_palindrome_checker():"""问题6：回文检查器"""        words = ['radar', 'hello', 'level', 'world', 'madam']# 找出所有回文        palindromes = [word for word in words if word == word[::-1]]        print(f"回文单词: {palindromes}")    @staticmethoddefquestion7_prime_number_generator():"""问题7：素数生成器"""        n = 50# 使用埃拉托斯特尼筛法        primes = [            x for x in range(2, n)if all(x % y != 0for y in range(2, int(x**0.5) + 1))        ]        print(f"1-{n}的素数: {primes}")    @staticmethoddefquestion8_anagram_finder():"""问题8：变位词查找器"""        words = ['listen', 'silent', 'hello', 'world', 'night', 'thing']defis_anagram(word1, word2):return sorted(word1) == sorted(word2)# 找出所有变位词组        anagram_groups = {}for word in words:            sorted_word = ''.join(sorted(word))if sorted_word notin anagram_groups:                anagram_groups[sorted_word] = []            anagram_groups[sorted_word].append(word)# 过滤出有变位词的组        result = {            key: value for key, value in anagram_groups.items() if len(value) > 1        }        print(f"变位词组: {result}")# 运行面试问题示例defrun_interview_prep():    print("=== 面试准备示例 ===")    interview = InterviewQuestions()    interview.question1_flatten_nested_list()    interview.question2_find_common_elements()    interview.question3_remove_duplicates_preserve_order()    interview.question4_group_by_key()    interview.question5_matrix_transpose()    interview.question6_palindrome_checker()    interview.question7_prime_number_generator()    interview.question8_anagram_finder()if __name__ == "__main__":# 运行所有示例    string_exercises()    numeric_exercises()    file_exercises()    run_stock_challenge()    run_social_network_challenge()    run_interview_prep()# 高级技巧    advanced = AdvancedComprehensions()    advanced.conditional_nested_comprehensions()    advanced.multiple_if_conditions()    advanced.using_walrus_operator()