Python性能优化：for循环与列表推导式对比分析

1. 性能差异实测：for循环与列表推导式对比

作为一名长期奋战在Python工程一线的开发者，我经常遇到团队成员对循环写法的困惑。很多人认为for循环和列表推导式只是语法差异，实际性能差不多。但真实生产环境的数据告诉我，这个认知需要被彻底刷新。

让我们先看一个典型的生产场景案例。某次处理千万级日志分析任务时，使用传统for循环的代码耗时达到列表推导式的1.8倍，直接导致夜间批处理任务超时。这种性能差异在小数据量测试中很难被发现，但一旦进入真实生产环境就会成为性能瓶颈。

1.1 基准测试设计

为了量化两者的性能差异，我设计了以下测试方案：

python复制import timeit

setup = "N = 1000000"

# for循环测试代码
for_code = """
result = []
for i in range(N):
    result.append(i*i)
"""

# 列表推导式测试代码
list_comp_code = """
result = [i*i for i in range(N)]
"""

# 各运行10次取平均
time_for = timeit.timeit(for_code, setup=setup, number=10)
time_list = timeit.timeit(list_comp_code, setup=setup, number=10)

print(f"for循环耗时: {time_for:.4f}s")
print(f"列表推导式耗时: {time_list:.4f}s")

在我的开发机（i7-11800H, 32GB RAM, Python 3.9）上运行结果：

code复制for循环耗时: 0.6547s
列表推导式耗时: 0.5811s

1.2 不同数据量下的表现

为了更全面了解性能差异，我测试了不同数据规模下的表现：