### **一、问题解构与方案推演** 要使用 `filter()` 函数生成100以内的所有素数，需要明确两个核心要素： 1. **筛选函数**：一个能判断单个数字是否为素数的函数。 2. **待筛选序列**：一个包含1到100所有整数的可迭代对象。 `filter()` 函数的工作原理是，将序列中的每个元素依次传递给判断函数，仅保留那些使函数返回 `True` 的元素，最终返回一个迭代器 [ref_1]。 因此，整个方案可以拆解为： 1. 定义一个素数判断函数 `is_prime(n)`。 2. 使用 `range(2, 101)` 生成从2到100的整数序列（1不是素数，故从2开始）。 3. 将函数和序列传入 `filter()`。 4. 将 `filter()` 返回的迭代器转换为列表输出。 ### **二、核心实现：素数判断函数** 素数的定义是：在大于1的自然数中，除了1和它自身外，不能被其他自然数整除的数。高效的判断算法可以优化到只检查到其平方根即可 [ref_4]。 下面是一个优化的素数判断函数： ```python def is_prime(n): """ 判断一个大于1的整数是否为素数。 参考来源：[ref_2], [ref_4], [ref_5] """ if n < 2: # 小于2的数不是素数 return False if n == 2: # 2是素数 return True if n % 2 == 0: # 排除所有偶数（除了2） return False # 只需检查从3到其平方根的奇数因子 for i in range(3, int(n ** 0.5) + 1, 2): if n % i == 0: return False return True ``` ### **三、使用 `filter()` 生成素数列表** 有了判断函数，结合 `filter()` 即可轻松生成素数列表 [ref_2]。 ```python # 生成2到100的整数序列 numbers = range(2, 101) # 使用filter函数进行筛选 prime_iter = filter(is_prime, numbers) # 将迭代器转换为列表并打印 prime_numbers = list(prime_iter) print("100以内的素数有：") print(prime_numbers) ``` **代码运行结果：** ``` 100以内的素数有： [2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41, 43, 47, 53, 59, 61, 67, 71, 73, 79, 83, 89, 97] ``` ### **四、进阶与对比：`lambda` 表达式与一行代码实现** #### **1. 使用 `lambda` 表达式（不推荐用于复杂逻辑）** 虽然 `filter()` 常与 `lambda` 结合使用 [ref_1]，但对于素数判断这种逻辑稍复杂的场景，使用 `lambda` 会降低可读性。以下是示例： ```python # 使用lambda表达式定义匿名判断函数 [ref_1] prime_numbers_lambda = list(filter(lambda x: x > 1 and all(x % i != 0 for i in range(2, int(x**0.5)+1)), range(2, 101))) print(prime_numbers_lambda) ``` #### **2. `filter()` 与列表推导式对比** `filter()` 是实现函数式编程风格的典型代表。对于同一问题，也可以使用列表推导式解决 [ref_1]。两者对比如下： | 特性 | `filter()` + 函数 | 列表推导式 | | :--- | :--- | :--- | | **代码风格** | 声明式，函数式编程风格 [ref_1] | 命令式，更贴近Python传统语法 | | **可读性** | 逻辑分离，函数可复用，复杂条件时更清晰 [ref_1] | 对于简单条件非常直观、紧凑 | | **性能** | **惰性求值**，返回迭代器，处理大数据时**更节省内存** [ref_1] | 立即生成完整列表，可能占用更多内存 | | **适用场景** | 已有现成的判断函数；需要链式操作（如与`map()`结合）[ref_1]；处理流式或大数据 | 筛选条件简单；需要立即得到列表结果 | **列表推导式实现示例：** ```python prime_numbers_comprehension = [n for n in range(2, 101) if is_prime(n)] ``` ### **五、`filter()` 的高级应用与最佳实践** #### **1. 链式操作** `filter()` 可以与其他函数式工具（如 `map()`）链式使用，构建数据处理管道 [ref_1]。 ```python # 示例：找出100以内的素数，并计算它们的平方 numbers = range(2, 101) squared_primes = list(map(lambda x: x**2, filter(is_prime, numbers))) print("100以内素数的平方：", squared_primes[:5]) # 输出前5个：[4, 9, 25, 49, 121] ``` #### **2. 处理惰性迭代器** `filter()` 返回的是迭代器，这意味着在转换为列表（如 `list()`）或进行遍历之前，不会进行实际计算。这在处理大规模数据时优势明显 [ref_1]。 ```python # 假设有一个非常大的数字生成器 def large_number_sequence(): for i in range(10**8): # 模拟1亿个数字 yield i # 使用filter不会立即占用大量内存 large_filtered = filter(lambda x: x % 1234567 == 0, large_number_sequence()) # 此时并未开始计算 for num in large_filtered: if num > 50_000_000: print(f"找到第一个大于5千万的符合条件的数：{num}") break # 找到即停止，避免不必要的计算 ``` #### **3. 结合 `functools.partial` 创建专用过滤器** 当筛选条件需要参数化时，可以结合 `functools.partial` 来创建特定用途的过滤器函数 [ref_1]。 ```python from functools import partial def is_multiple_of(base, num): return num % base == 0 # 创建一个专门筛选3的倍数的函数 filter_multiple_of_3 = partial(filter, partial(is_multiple_of, 3)) numbers = range(1, 20) result = list(filter_multiple_of_3(numbers)) print("3的倍数：", result) # 输出：[3, 6, 9, 12, 15, 18] ``` ### **六、总结** 使用 `filter()` 生成100以内素数是一个经典案例，它清晰地展示了 `filter()` 函数“筛选”的核心功能 [ref_1]。通过将**判断逻辑（`is_prime`）** 和**迭代过程（`filter`）** 解耦，代码获得了更好的模块化和可复用性。对于此类问题，`filter()` 因其**惰性求值**和**函数式风格**，在可读性、内存效率以及与其他高阶函数组合的灵活性上，通常是比列表推导式更优的选择，尤其是在处理逻辑复杂或数据量大的场景时 [ref_1]。