Python推导式是一种紧凑且强大的构造，允许你用一行代码高效地生成新的数据结构（如列表、字典、集合或生成器）基于现有的可迭代对象。推导式结合了循环、条件判断等结构，提供了非常灵活的方式来处理数据。
列表推导式
列表推导式（List Comprehensions）
列表推导式是最常见的一种，用于从一个可迭代对象创建一个新列表，其基本语法如下：
[expression for item in iterable if condition]expression 是针对每个item进行计算并最终放入新列表的表达式。
item 是从iterable中取出的单个元素。
iterable 是任何可迭代对象，如列表、元组、集合、字典或生成器。
condition（可选）是一个过滤条件，只有当该条件为真时，相应的项才会被包含在结果中。
字典推导式
字典推导式（Dictionary Comprehensions）
字典推导式用来快速创建字典，其语法结构如下：
{key_expression: value_expression for item in iterable if condition}key_expression 和 value_expression 分别对应新字典中每个键值对的键和值。
其他部分与列表推导式相似。
集合推导式
集合推导式（Set Comprehensions）
集合推导式与列表推导式类似，但结果是一个集合（无序且元素唯一），语法为：
{expression for item in iterable if condition}生成器推导式
生成器推导式（Generator Expressions）
生成器推导式与列表推导式非常相似，但是使用圆括号而不是方括号包围，生成一个生成器对象，它在迭代时按需产生值，节省内存：
(expression for item in iterable if condition)代码示例
场景1: 动态参数构造
# 假设我们需要测试用户注册接口，每个用户有不同的用户名和邮箱
params_list = [(f"user_{i}", f"user_{i}@example.com") for i in range(1, 4)]
for username, email in params_list:
payload = {"username": username, "email": email}
print(f"Sending request with payload: {payload}")
# 实际使用时这里会是发送请求的代码，例如 `requests.post(url, jsnotallow=payload)`
输出示例:
Sending request with payload: {'username': 'user_1', 'email': 'user_1@example.com'}
Sending request with payload: {'username': 'user_2', 'email': 'user_2@example.com'}
Sending request with payload: {'username': 'user_3', 'email': 'user_3@example.com'}场景2: 响应数据分析
# 假设我们已经获取到了一个包含用户信息的API响应
import requests
response = requests.get("https://api.example.com/users")
response_json = response.json()
# 提取所有用户的ID
user_ids = [user['id'] for user in response_json['data']]
print(f"Extracted User IDs: {user_ids}")
输出示例:
Extracted User IDs: [1, 2, 3, 4, 5]场景3: 断言优化
# 假设我们要验证返回的用户角色集合是否正确
expected_roles = {"admin", "editor"}
response = requests.get("https://api.example.com/roles")
actual_roles = {role['name'] for role in response.json()}
assert expected_roles == actual_roles, f"Expected roles {expected_roles} but got {actual_roles}"
print("Roles assertion passed.")
输出示例:
Roles assertion passed.或者如果断言失败，则会输出错误信息。
场景4: 结果筛选与异常检测
# 模拟一组API响应
responses = [{"status_code": 200}, {"status_code": 404}, {"status_code": 200}]
failed_responses = [response for response in responses if response["status_code"] != 200]
if failed_responses:
print(f"Failed responses detected: {failed_responses}")
else:
print("All requests succeeded.")
输出示例:
Failed responses detected: [{'status_code': 404}]场景5: 测试数据准备
# 生成用于测试的数据
test_data_gen = (
{"id": idx, "name": f"Test_{idx}", "status": "active" if idx % 2 == 0 else "inactive"}
for idx in range(1, 6)
)
for data in test_data_gen:
print(f"Generated test data: {data}")
# 在实际使用中，这里会是使用这些数据进行API请求的代码
输出示例:
Generated test data: {'id': 1, 'name': 'Test_1', 'status': 'inactive'}
Generated test data: {'id': 2, 'name': 'Test_2', 'status': 'active'}
Generated test data: {'id': 3, 'name': 'Test_3', 'status': 'inactive'}
Generated test data: {'id': 4, 'name': 'Test_4', 'status': 'active'}
Generated test data: {'id': 5, 'name': 'Test_5', 'status': 'inactive'}
