回答。

惰性处理（lazy evaluation）是一种有效编程的关键概念，只有在必要时才会计算值。历史上，在Python中，所有主要的内置数据结构（列表、元组）都是“贪婪”的：它们会提前创建并在内存中放置所有元素。随着数据量和流处理任务的增长，出现了惰性计算的需求。

问题： 贪婪计算在可以逐步获得结果的地方会导致内存和时间的低效使用，例如在过滤、转换长集合或流式文件时。

解决方案： Python中出现了许多惰性计算的工具：生成器、迭代器，以及标准库中的函数（map、filter、zip、enumerate）和模块itertools。它们都返回“惰性”对象，这些对象一次提供一个值。

代码示例：

result = map(lambda x: x * x, range(100))  # 返回生成器迭代器
for y in result:
    print(y)  # 值在迭代时计算

import itertools
inf = itertools.count(1)
for i in inf:
    if i > 3:
        break
    print(i)  # 1, 2, 3

关键特征：

并非所有元素都存储在内存中：是“按需”计算的。
可以处理无限的数据流。
允许处理实际上不存在的完整集合（例如，来自网络的数据流）。

具有陷阱的问题。

Python3中的map/filter函数总是返回列表吗？

不，在Python 3中，这些函数返回迭代器，而不是列表。要获得列表，需要将结果包装在list()中。

x = map(int, ['1', '2'])  # <map object>
list(x)                   # [1, 2]

可以在不转换为列表的情况下获取map结果的长度吗？

不，迭代器在遍历所有元素之前不知道里面的元素数量。需要通过list()计算，这会取消惰性。

Python3中的range函数是贪婪的还是惰性的？

惰性：range创建“range对象”——它在请求时“计算”元素，而不存储整个序列。

常见错误和反模式

隐式地将惰性对象转换为列表，从而失去节省内存的优势。
将迭代器和生成器视为可与列表互换（但它们不能被索引或重复遍历）。
对惰性对象应用len()而导致错误。

生活中的示例

消极案例

脚本处理一个巨大的CSV文件，通过list(open(f))创建所有行的列表。服务器在大文件处理时因为内存不足而“崩溃”。

优点：

针对特定行的快速索引。

缺点：

高内存消耗。
程序无法扩展到大数据。

积极案例

代码使用惰性处理：通过迭代器for line in open(f)逐行处理文件，或者通过map/filter处理而不创建中间集合。