内置函数与标准库优先、减少循环层级

这两个技巧是代码级优化的“第一原则”，改动成本极低，收益却非常直接。它们的共同思路是：让 Python 能做的事，尽量别自己用循环手写。

优先使用内置函数与标准库

Python 的内置函数（如 sum、max、sorted）和标准库模块（如 collections、itertools）底层大多用 C 语言实现，执行速度远快于你用纯 Python 写的等价逻辑。同时，它们经过了无数场景的验证，比自己手写的代码更可靠、更少 bug。

• 能用内置函数就绝不手写循环
• 累加数字 → sum(nums)，而不是 total = 0; for n in nums: total += n
• 判断列表中是否存在满足条件的元素 → any(x > 0 for x in nums)，而不是写 for 循环手动 break
• 判断是否所有元素都满足条件 → all(isinstance(x, int) for x in items)
• 最大值/最小值 → max(lst) / min(lst)，而不是自己遍历比较

• 善用标准库提供的高效容器和工具
• collections.deque 在两端插入删除是 O(1)，而 list.pop(0) 是 O(n)。做队列时一定优先用 deque
• collections.defaultdict 和 Counter 省去大量“检查 key 是否存在”的手动逻辑
• itertools 里的 chain、groupby、product 等可以替代深层嵌套循环，代码更清晰且执行更高效

实用心法：动手写循环之前，先问自己三个问题——标准库有没有现成的模块？内置函数能不能直接搞定？itertools 或 collections 有没有更好的工具？大部分时候答案都是“有”。

减少循环层级

嵌套循环是性能杀手，时间复杂度很容易从 O(n) 变成 O(n²) 甚至更差。减少循环层级，本质上就是在降低算法的时间复杂度。

常见减层策略

1. 用字典/集合的 O(1) 查找代替内层扫描

• 典型场景：判断一个元素是否在另一个集合中存在
• 错误做法：两层循环遍历两个列表 → O(n*m)
• 优化做法：先将待查找的列表转为 set，然后单层循环判断 → 降为 O(n+m)

   # 优化前
   common = []
   for a in list_a:
       for b in list_b:
           if a == b:
               common.append(a)
   # 优化后
   set_b = set(list_b)
   common = [a for a in list_a if a in set_b]
   

1. 用列表推导式/生成器表达式替代简单循环

• 列表推导式在 Python 内部用 C 循环执行，比显式的 for 循环快。生成器表达式在不需要立刻生成完整列表时更省内存。
• 注意：推导式不要嵌套超过两层，否则可读性暴跌，这时候宁可牺牲一点性能保持清晰。

1. 利用 itertools 扁平化多层循环

• itertools.product 代替多重循环做笛卡尔积
• itertools.chain 把多个可迭代对象串成一个，避免“外层循环套内层遍历”的写法

1. 尽量用向量化操作替代 Python 层循环

• 数据处理时，优先用 NumPy/Pandas 的向量化运算，它们把循环推到了底层 C/Fortran 库，速度能提升 10～100 倍。
• 比如 np.sum(a b) 代替 sum(xy for x,y in zip(a,b))，不只是减少循环层级，而是直接把循环移出 Python。

关键原则：减少循环层级不是必须把代码变成“一行流”，而是在保持可读性的前提下，通过选用合适的数据结构和库函数，把嵌套的 O 复杂度降下来。这种优化往往比调整单个语句的细节收益大得多。