### Python 实现 `PrimeList` 函数 以下是基于埃氏筛法（Sieve of Eratosthenes）实现的一个高效版本的 `PrimeList` 函数，该函数可以生成小于给定整数 \( N \) 的所有素数列表： ```python def PrimeList(N): if N < 2: return [] sieve = [True] * N # 创建布尔数组标记候选素数 sieve[0], sieve[1] = False, False # 0 和 1 不是素数 for current in range(2, int(N ** 0.5) + 1): # 遍历到 √N 即可 if sieve[current]: for multiple in range(current*current, N, current): # 筛选当前素数的倍数 sieve[multiple] = False primes = [num for num, is_prime in enumerate(sieve) if is_prime] # 提取剩余的素数 return primes ``` 此算法的时间复杂度接近 \( O(N \log \log N) \)，非常适合处理较大的输入范围。 #### 测试代码 为了验证其功能，可以通过以下测试用例运行它： ```python print(PrimeList(10)) # 输出: [2, 3, 5, 7] print(PrimeList(20)) # 输出: [2, 3, 5, 7, 11, 13, 17, 19] print(PrimeList(100)) # 输出完整的100以内素数列表 ``` --- ### 使用 Lambda 表达式和列表推导式的简化版 如果希望进一步压缩代码并使用更简洁的方式表达，则可以用列表推导式配合 lambda 完成相同的功能。不过需要注意性能可能稍逊于优化后的埃氏筛法： ```python import math def PrimeList_Lambda(N): return [x for x in range(2, N) if all(map(lambda y: x % y != 0, range(2, int(math.sqrt(x)) + 1)))] ``` 尽管这段代码更加紧凑，但由于每次都需要重新计算模运算的结果，因此效率较低，在大范围内表现不佳[^1]。 --- ### 性能对比分析 对于较小的数据集来说两种方式差异不大；然而当面对非常庞大的数值区间比如百万级甚至千万级以上时，“直接判断”的方法会因为频繁调用嵌套循环而变得极其缓慢。相比之下采用预处理技术如上面提到过的Eratosthenes筛选法则能够显著提升速度与资源利用率[^2]。 ---