List Comprehension در پایتون روشی فشرده برای ساخت لیست جدید از روی یک توالی است؛ وقتی یک تبدیل یا فیلتر ساده می خواهید بهترین انتخاب است و زمانی که منطق چندمرحله ای، نیاز به try/except، اثر جانبی یا داده بسیار بزرگ دارید بهتر است از آن استفاده نکنید.

List Comprehension دقیقا چیست و چه وقتی مناسب است؟

ساده بگوییم: یک عبارت درون براکت که روی اعضای یک توالی تکرار می کند و نتیجه هر تکرار را در لیست می گذارد. برای تبدیل عناصر (map) و فیلتر آنها در یک مرحله عالی است.

  • مناسب: ساخت لیست های مشتق شده با منطق کوتاه، خوانا و بدون عارضه جانبی.
  • نامناسب: منطق چندخطی، نیاز به لاگ یا دیباگ مرحله به مرحله، ورود-خروج (IO)، و داده هایی که ساخت لیست کامل از آنها حافظه زیادی می برد.

نحو نوشتن: از ساده تا پیشرفته

ساختار پایه

هدف: تبدیل هر عدد به مربع آن.

numbers = [1, 2, 3, 4]
squares = [n * n for n in numbers]
print(squares)  # [1, 4, 9, 16]

افزودن شرط فیلتر (if انتهایی)

هدف: نگه داشتن فقط اعداد زوج و سپس مربع کردن آنها.

numbers = range(10)
even_squares = [n * n for n in numbers if n % 2 == 0]
print(even_squares)  # [0, 4, 16, 36, 64]

نکته: if در انتهای عبارت نقش «فیلتر» دارد؛ اعضایی که شرط را پاس نکنند اصلا وارد لیست نمی شوند.

عبارت شرطی (if … else …) در بخش تولید

اگر بخواهید هر عضو را بسته به شرطی به دو حالت متفاوت تبدیل کنید، باید if/else را در بخش تولید (پیش از for) بنویسید.

# برچسب گذاری زوج/فرد برای هر عدد
labels = ["even" if n % 2 == 0 else "odd" for n in range(5)]
print(labels)  # ['even', 'odd', 'even', 'odd', 'even']

تفاوت مهم: اینجا هیچ فیلتری وجود ندارد؛ برای هر n یک مقدار تولید می شود.

حلقه تو در تو (nested)

هدف: تخت کردن (flatten) یک لیست از لیست ها.

matrix = [[1, 2], [3, 4], [5, 6]]
flat = [x for row in matrix for x in row]
print(flat)  # [1, 2, 3, 4, 5, 6]

قاعده خوانایی: بیش از دو سطح تو در تو معمولا خوانایی را قربانی می کند؛ در این صورت به سراغ حلقه های معمولی یا توابعی مثل itertools.chain بروید.

کار با enumerate و zip

می توانید از توابع کمکی داخل عبارت استفاده کنید.

# افزودن اندیس به آیتم ها
items = ["a", "b", "c"]
indexed = [f"{i}:{v}" for i, v in enumerate(items)]
# ترکیب دو لیست هم طول
xs = [1, 2, 3]
ys = [10, 20, 30]
pairs = [(x, y) for x, y in zip(xs, ys)]

چه زمانی از List Comprehension استفاده نکنیم؟

  • منطق چند مرحله ای دارید: چند محاسبه، چند شرط پیچیده، یا نیاز به لاگ/دیباگ خوانا.
  • نیاز به try/except داخل حلقه دارید: وجود استثناها در عبارت یک خطی خوانایی را به شدت کم می کند.
  • اثر جانبی می خواهید: مثلا فراخوانی API یا نوشتن فایل؛ از حلقه for معمولی استفاده کنید.
  • ورودی بسیار بزرگ است: ساخت لیست کامل حافظه را پر می کند؛ از generator expression استفاده کنید.

جایگزین حافظه بهینه:

# generator expression: پرانتز به جای براکت
# اعضا تنبل (lazy) تولید می شوند و لیست کامل ساخته نمی شود
gen = (n * n for n in range(10**9))
# مثال مصرف: فقط 100 مقدار اول را می خواهیم
first_100 = [next(gen) for _ in range(100)]

بررسی صحت نتیجه و سنجش کارایی

برای اطمینان از برابری با حلقه معمولی:

def loop_squares(nums):
    out = []
    for n in nums:
        if n % 2 == 0:
            out.append(n * n)
    return out

def comp_squares(nums):
    return [n * n for n in nums if n % 2 == 0]

nums = list(range(100))
assert loop_squares(nums) == comp_squares(nums)

برای سنجش زمان اجرا بدون عددسازی قطعی، از timeit استفاده کنید:

import timeit

setup = "nums = list(range(10000))"
stmt_loop = """
out = []
for n in nums:
    if n % 2 == 0:
        out.append(n * n)
"""
stmt_comp = "[n*n for n in nums if n % 2 == 0]"

print("loop:", timeit.timeit(stmt_loop, setup=setup, number=1000))
print("comp:", timeit.timeit(stmt_comp, setup=setup, number=1000))

نتیجه بسته به نسخه پایتون و سخت افزار متفاوت است؛ معیار نهایی پروژه شما است.

اشتباهات رایج و رفع آنها

جای اشتباه if

# اشتباه: فکر می کند شرط فیلتر است ولی در واقع تبدیل شرطی است
vals = [("even" if n % 2 == 0 else "odd") for n in range(5)]
# درست برای فیلتر: if انتهایی
evens = [n for n in range(5) if n % 2 == 0]

پرانتز به جای براکت

# این generator است نه list
g = (n * n for n in range(5))
# اگر لیست می خواهید:
lst = [n * n for n in range(5)]

سایه انداختن روی نام های بیرونی

n = 10
nums = [1, 2, 3]
# n داخل comprehension نام دیگری است؛ از بازنویسی ناخواسته بپرهیزید
squares = [n * n for n in nums]
# پس از این خط، n بیرونی هنوز 10 است

استفاده برای اثر جانبی

# بد: تولید لیست بی مصرف فقط برای اثر جانبی print
[print(x) for x in range(3)]  # از حلقه for معمولی استفاده کنید

چند مثال واقعی کوتاه

پاکسازی سریع رشته های فارسی

تبدیل فاصله های اضافی، حذف خالی ها و کوچک سازی حروف:

texts = ["  سلام  ", "", "دنیا", " PYTHON "]
clean = [t.strip().lower() for t in texts if t.strip()]
print(clean)  # ['سلام', 'دنیا', 'python']

برای استانداردسازی حروف و اعداد فارسی هم می توانید از کتابخانه های ویژه کمک بگیرید؛ راهنمای عملی را در استانداردسازی متن فارسی با Python Negar ببینید.

ساخت لیستی از مدل های داده با dataclass

تبدیل لیست دیکشنری خام به اشیای تایپ شده:

from dataclasses import dataclass

@dataclass
class User:
    id: int
    name: str

raw = [{"id": 1, "name": "Ali"}, {"id": 2, "name": "Sara"}]
users = [User(u["id"], u["name"]) for u in raw]
print(users)  # [User(id=1, name='Ali'), User(id=2, name='Sara')]

اگر با dataclass آشنا نیستید، آموزش گام به گام را در آموزش dataclass در پایتون بخوانید.

تخت کردن لیست اعداد و فیلتر همزمان

rows = [[1, 2, 3], [4, 5], [], [6]]
even_flat = [x for row in rows for x in row if x % 2 == 0]
print(even_flat)  # [2, 4, 6]

معیار تصمیم گیری سریع

  • تبدیل یا فیلتر ساده و کوتاه دارید؟ از List Comprehension استفاده کنید.
  • بیش از یک یا دو شرط/حلقه تو در تو دارید؟ حلقه معمولی خواناتر است.
  • داده بسیار بزرگ است و به همه نتایج همزمان نیاز ندارید؟ generator expression بهتر است.
  • نیاز به try/except یا لاگ مفصل دارید؟ حلقه معمولی.

گام بعدی چیست؟

اگر این الگو برایتان جا افتاد، سراغ بهینه سازی مصرف حافظه با generator ها و سپس مدل سازی داده تمیز با آموزش dataclass در پایتون بروید. برای کار با متن های فارسی نیز از استانداردسازی متن فارسی با Python Negar کمک بگیرید تا خروجی های پاک و یکنواختی بسازید.