这与您可以使用 Python 生成器函数做什么？: python 生成器、生成器表达式和itertools模块是我最近最喜欢的 python 功能。它们在设置操作链以对大量数据执行时特别有用——我经常在处理 DSV 文件时使用它们。
那么什么时候不适合使用生成器、生成器表达式或itertools函数呢？
zip()，itertools.izip()或者range()超过xrange(), 或[x for x in foo]结束了(x for x in foo)？显然，我们最终需要将生成器“解析”为实际数据，通常是通过创建一个列表或使用非生成器循环对其进行迭代。有时我们只需要知道长度。这不是我要问的。
我们使用生成器，这样我们就不会为临时数据分配新列表到内存中。这对于大型数据集尤其有意义。它对小型数据集也有意义吗？是否存在明显的内存/cpu 权衡？
鉴于列表理解性能与 map() 和 filter()的令人大开眼界的讨论，如果有人对此进行了一些分析，我特别感兴趣。（替代链接）
在以下情况下使用列表而不是生成器：
1）您需要多次访问数据（即缓存结果而不是重新计算它们）：
for i in outer: # used once, okay to be a generator or return a list
for j in inner: # used multiple times, reusing a list is better
...
2）您需要随机访问（或除前向顺序之外的任何访问）：
for i in reversed(data): ... # generators aren't reversible
s[i], s[j] = s[j], s[i] # generators aren't indexable
3）您需要连接字符串（这需要两次传递数据）：
s = ''.join(data) # lists are faster than generators in this use case
4) 您正在使用PyPy，它有时无法像普通函数调用和列表操作那样优化生成器代码。
一般来说，当你需要列表操作时不要使用生成器，比如 len()、reversed() 等。
有时您可能不希望延迟评估（例如，预先进行所有计算，以便您可以释放资源）。在这种情况下，列表表达式可能会更好。
简介，简介，简介。
分析您的代码是了解您正在做的事情是否有任何影响的唯一方法。
xrange、生成器等的大多数用法都超过了静态大小的小数据集。只有当您处理大型数据集时，它才会真正发挥作用。range() 与 xrange() 主要只是让代码看起来更丑一点，并且不会丢失任何东西，并且可能会获得一些东西。
简介，简介，简介。
正如您提到的，“这对大型数据集尤其有意义”，我认为这回答了您的问题。
如果您在性能方面没有遇到任何问题，您仍然可以坚持使用列表和标准功能。然后，当您遇到性能问题时，请进行切换。
然而，正如@u0b34a0f6ae 在评论中提到的那样，在开始时使用生成器可以让您更轻松地扩展到更大的数据集。
关于性能：如果使用 psyco，列表可能比生成器快很多。在下面的示例中，使用 psyco.full() 时，列表的速度几乎快 50%
import psyco
import time
import cStringIO
def time_func(func):
"""The amount of time it requires func to run"""
start = time.clock()
func()
return time.clock() - start
def fizzbuzz(num):
"""That algorithm we all know and love"""
if not num % 3 and not num % 5:
return "%d fizz buzz" % num
elif not num % 3:
return "%d fizz" % num
elif not num % 5:
return "%d buzz" % num
return None
def with_list(num):
"""Try getting fizzbuzz with a list comprehension and range"""
out = cStringIO.StringIO()
for fibby in [fizzbuzz(x) for x in range(1, num) if fizzbuzz(x)]:
print >> out, fibby
return out.getvalue()
def with_genx(num):
"""Try getting fizzbuzz with generator expression and xrange"""
out = cStringIO.StringIO()
for fibby in (fizzbuzz(x) for x in xrange(1, num) if fizzbuzz(x)):
print >> out, fibby
return out.getvalue()
def main():
"""
Test speed of generator expressions versus list comprehensions,
with and without psyco.
"""
#our variables
nums = [10000, 100000]
funcs = [with_list, with_genx]
# try without psyco 1st
print "without psyco"
for num in nums:
print " number:", num
for func in funcs:
print func.__name__, time_func(lambda : func(num)), "seconds"
print
# now with psyco
print "with psyco"
psyco.full()
for num in nums:
print " number:", num
for func in funcs:
print func.__name__, time_func(lambda : func(num)), "seconds"
print
if __name__ == "__main__":
main()
结果：
without psyco
number: 10000
with_list 0.0519102208309 seconds
with_genx 0.0535933367509 seconds
number: 100000
with_list 0.542204280744 seconds
with_genx 0.557837353115 seconds
with psyco
number: 10000
with_list 0.0286369007033 seconds
with_genx 0.0513424889137 seconds
number: 100000
with_list 0.335414877839 seconds
with_genx 0.580363490491 seconds
我从未发现发电机会阻碍您尝试做的事情的情况。然而，在很多情况下，使用生成器对你没有任何帮助，而不仅仅是不使用它们。
例如：
sorted(xrange(5))
不提供任何改进：
sorted(range(5))
如果您以后需要保留其他值并且集合的大小不太大，您应该更喜欢列表推导式。
例如：您正在创建一个列表，稍后您将在程序中循环多次。
在某种程度上，您可以将生成器视为迭代（循环）的替代品，而不是将列表推导视为一种数据结构初始化。如果要保留数据结构，请使用列表推导。
就性能而言，我想不出任何时候你会想要在生成器上使用列表。
生成器构建和可枚举的值列表。当迭代过程可以按需使用值时，可枚举项很有用。构建你的生成器需要时间，所以如果列表是数百万条记录，使用 sql server 处理 sql 中的数据可能更有用。