Python中map、list(map())、lambda及性能：过程式转函数式编程的疑惑

嘿，这问题我当初从过程式转函数式编程的时候也踩过一模一样的坑！别急，我给你掰扯清楚：

核心原因：Python 3的map()是惰性的 #

Python 3里的map()函数不会立即执行你传入的操作——它只会返回一个「迭代器对象」，这个对象就像一个“待触发的任务队列”，只有当你主动去遍历它的时候，才会逐个调用你传入的函数（比如你用来替代高消耗计算的print）。

用你的例子拆解对比 #

先看你原来的过程式循环，它是立即执行的：

my_list = [1, 2, 3, 4]
# 过程式循环：每一次迭代都直接跑print
for item in my_list:
    print(item)  # 这里会立刻输出1、2、3、4

但直接写map(print, my_list)的时候，你只是创建了一个迭代器，根本没触发任何print调用：

map(print, my_list)  # 啥输出都没有，只是生成了一个迭代器对象而已

那为什么套个list()就有用？因为list()函数会强制遍历整个迭代器，把所有元素都取出来。这时候map才会挨个把列表里的元素传给print，执行你想要的操作：

list(map(print, my_list))  # 这时候会输出1、2、3、4，最后还会返回一个[None, None, None, None]（因为print返回None）

除了list()，还有其他触发方式 #

如果你不想生成一个没用的列表（毕竟你的操作是高消耗计算，可能不需要保存结果），还有更高效的方式：

• 用for循环直接遍历map对象：

  for _ in map(print, my_list):
      pass  # 遍历过程中就会触发所有print调用，不会生成额外列表
  

• 写个简单的工具函数来“消耗”迭代器：

  def consume(iterator):
      # 专门用来触发惰性迭代器的小函数
      for _ in iterator:
          pass
  
  consume(map(print, my_list))  # 同样能触发所有操作，更清晰
  

为什么要搞惰性求值？ #

这其实是函数式编程里的一个优化点——对于超大数据集或者高资源消耗的操作，惰性求值不会一次性把所有结果都塞进内存，而是用一个算一个，能大大节省内存开销，这也是函数式处理大数据场景的优势之一。

内容的提问来源于stack exchange，提问作者Ognjen Mišić