列表推导式比filter()更快、更易读、更可控；filter()仅在复用已有函数或处理超大迭代器且不转list时适用，其余场景应优先用推导式。
直接说结论：列表推导式比 filter() 更快、更易读、更可控，除非你已经在用现成的函数对象，否则别优先选 filter()。
为什么 filter() 在 Python 里常被高估
很多人以为 filter() 是“专门干过滤的事”，天然更高效或更 Pythonic。实际上，在 CPython 中，filter() 返回的是迭代器，但如果你立刻转成 list（比如 list(filter(...))），它反而比列表推导式多一层函数调用开销；而且一旦逻辑稍复杂（比如要同时判空+类型检查），就得写 lambda 或额外函数，可读性迅速下降。
-
filter()对None的特殊行为容易误用：传None会过滤掉所有“falsy”值（0、''、[]、False），但你往往只想要None或''，不希望0被干掉 - 错误示例：
list(filter(None, [0, 1, '', 'hello', None]))→[1, 'hello']（0和空字符串都被滤了，但你可能只想去None） - 调试困难：堆栈里看到
<filter object></filter>不如直接看推导式逻辑直观
列表推导式怎么精准过滤空值（不是所有 falsy）
关键在明确“空值”的定义：是 None？是 ''？还是 None 或 ''？或者还要排除 float('nan')？推导式能一行写清边界。
- 只去掉
None：[x for x in data if x is not None] - 去掉
None和空字符串：[x for x in data if x is not None and x != ''] - 去掉
None、空字符串、空白字符串：[x for x in data if x is not None and str(x).strip() != ''] - 安全处理可能含
NaN的数值列表：[x for x in data if pd.notna(x)]（需pandas）或[x for x in data if not (isinstance(x, float) and math.isnan(x))]
当真要用 filter() 时，怎么避免踩坑
只有两种合理场景值得考虑 filter()：一是复用已有函数（比如你已经有 is_valid()），二是处理超大可迭代对象且不转 list（边生成边消费）。
- 别用
lambda写复杂逻辑：filter(lambda x: x is not None and hasattr(x, 'id'), data)→ 可读性差，建议改用推导式 - 注意返回类型：
filter()返回迭代器，多次遍历会失效；如果要多次用，必须显式转list或tuple - 兼容性提示：Python 2 中
filter()返回列表，Python 3 返回迭代器，混用时容易出错 - 性能对比实测（10 万元素）：
[x for x in data if x]比list(filter(None, data))快约 15%～20%，自定义函数判断时差距更大
异常值过滤不能只靠“非空”，得结合业务逻辑
空值只是表层问题；真正要处理的是异常值：超出合理范围的数字、非法格式的字符串、类型错乱的数据。这时候硬编码在推导式里就难维护了。
- 推荐把清洗逻辑封装成函数，再放进推导式：
[clean_item(x) for x in data if clean_item(x) is not None]（注意避免重复计算） - 或用
filter()+ 预定义函数：filter(is_reasonable_score, scores)，前提是is_reasonable_score已测试过且稳定 - 警惕隐式类型转换：比如
'0'是字符串，bool('0') is True，但它可能是你业务里的有效“零值”，不能和0一视同仁
最常被忽略的一点：过滤前先确认数据来源——是用户输入？API 响应？数据库读取？不同来源的“空”含义完全不同。一个 None 在 ORM 字段里代表未设置，在 JSON 解析里可能代表字段缺失，处理方式必须跟着上下文走，而不是套模板代码。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
