Czym są comprehensions listy?

Question

Accepted Answer

**List comprehension** to zwięzły i czytelny sposób zbudowania listy poprzez transformację i/lub filtrowanie iterowanego obiektu w jednym wyrażeniu — idiomatyczna alternatywa Pythona dla pętli `for`, która dołącza do listy.

## Dlaczego to ważne

```python
# the loop way:
squares = []
for n in range(5):
    squares.append(n ** 2)

# the comprehension way — same result, one line
squares = [n ** 2 for n in range(5)]   # [0, 1, 4, 9, 16]
#          └expr──┘ └──for clause───┘
```

Czytaj to jako "kwadrat n, dla każdego n w range(5)." Jest bardziej zwięzły i często szybszy niż pętla ręczna.

## Dodawanie filtru (if)

```python
# keep only even numbers
evens = [n for n in range(10) if n % 2 == 0]   # [0, 2, 4, 6, 8]

# transform AND filter together
result = [n * 2 for n in range(10) if n % 2 == 0]  # [0, 4, 8, 12, 16]
```

## Wyrażenie warunkowe w wyniku

```python
# if/else goes BEFORE the for (it's part of the expression, not a filter)
labels = ["even" if n % 2 == 0 else "odd" for n in range(4)]
# ["even", "odd", "even", "odd"]
```

## Comprehensions dla innych typów

```python
{x ** 2 for x in range(5)}             # set comprehension → {0, 1, 4, 9, 16}
{k: v for k, v in pairs}               # dict comprehension
(x ** 2 for x in range(5))             # generator expression — LAZY, memory-efficient
```

Ta sama składnia buduje zbiory i słowniki; z nawiasami staje się **wyrażeniem generatora**, które produkuje wartości leniwie (brak pełnej listy w pamięci — świetne dla dużych danych).

## Kiedy ich NIE używać

```python
# ❌ deeply nested / complex logic → a regular loop is more readable
matrix = [[row[i] for row in data] for i in range(cols)]  # OK, but don't over-nest
```

Zachowaj comprehensions w prostocie; jeśli wymagają one wielu zagnieżdżonych pętli lub złożonych warunków, zwykła pętla jest jaśniejsza.

## Dlaczego to ważne

List comprehensions są typowo "Pythonicznego" — zwięzłe, czytelne i często szybsze niż równoważne pętle, używane stale do transformacji i filtrowania danych.

Opanowanie ich (plus ich warianty set/dict/generator oraz leniwe wyrażenie generatora dla dużych danych) jest niezbędne do pisania idiomatycznego Pythona.

Wiedzenie, kiedy ich używać (proste transformacje/filtry) versus zwykła pętla (złożona logika), jest znamieniem czystego, czytelnego kodu.