我正在尝试对 2.6 进行设置理解，并遇到了以下两种方法。我认为第一种方法会比第二种方法更快，timeit另有建议。为什么第二种方法更快，即使第二种方法有一个额外的列表实例化，然后是一组实例化？
方法一：
In [16]: %timeit set(node[0] for node in pwnodes if node[1].get('pm'))
1000000 loops, best of 3: 568 ns per loop
方法2：
In [17]: %timeit set([node[0] for node in pwnodes if node[1].get('pm')])
1000000 loops, best of 3: 469 ns per loop
哪里pwnodes = [('e1', dict(pm=1, wired=1)), ('e2', dict(pm=1, wired=1))].
使用列表推导时，迭代速度更快：
In [23]: from collections import deque
In [24]: %timeit deque((node[0] for node in pwnodes if node[1].get('pm')), maxlen=0)
1000 loops, best of 3: 305 µs per loop
In [25]: %timeit deque([node[0] for node in pwnodes if node[1].get('pm')], maxlen=0)
1000 loops, best of 3: 246 µs per loop
deque用于说明迭代速度;maxlen设置为0的deque会丢弃从可迭代对象中获取的所有元素，因此没有内存分配差异来扭曲结果。
这是因为在 Python 2 中，列表推导式不使用单独的命名空间，而生成器表达式使用(它必须使用，这是必要的(。这个额外的命名空间需要在堆栈上建立一个新帧，这很昂贵。生成器表达式的主要优点是内存占用量低，而不是速度。
在Python 3中，列表推导式也有一个单独的命名空间，列表推导和生成器迭代速度相当。你还设置了推导，即使在 Python 2 上，这些推导也是最快的。
我的猜测是因为第二个涉及生成器，而第一个不涉及。如果等效列表适合内存，则生成器通常比等效列表慢。
In [4]: timeit for i in [i for i in range(1000)]: pass
10000 loops, best of 3: 47.2 µs per loop
In [5]: timeit for i in (i for i in range(1000)): pass
10000 loops, best of 3: 57.8 µs per loop