90%的嵌套循环查数据场景不该用嵌套循环，因其将o(n)问题错误升为o(n²)；应优先用哈希结构（如set/dict）、pandas groupby或itertools.combinations等一阶操作替代。
用 dict 或 set 替代内层 in 查找
常见错误现象：for x in list_a: if x in list_b: ——每次 in 都扫描整个 list_b，时间复杂度跳到 O(N×M)。
实际场景：过滤日志中出现在白名单里的 IP；判断一批用户是否已注册。
正确做法：
• 把 list_b 转成 set（去重且哈希查找 O(1)）
• 若需保留顺序或计数，用 dict 或 collections.Counter
• 不要对小列表（list_b 超过几百项，转换就立刻见效
示例：whitelist_set = set(whitelist)，后续 if ip in whitelist_set: 就不再慢
用 pandas.groupby 替代两层循环做分组统计
常见错误现象：手动遍历 DataFrame 行，再嵌套遍历另一份数据找匹配项，CPU 占满、内存暴涨。
使用场景：按用户 ID 汇总订单金额；按日期合并多张销售表的同类商品销量。
关键点：
• groupby 底层用 C 实现，单次扫描完成分组，复杂度 O(N)
• 避免在 groupby 后再用 apply 套 Python 函数——那会退回到慢速路径
• 如果只是查“哪些组有重复”，直接用 df.groupby('col').size() > 1，不用循环
示例：df.groupby('user_id')['amount'].sum() 比双重 for 快几十倍，且代码更短
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
用 itertools.combinations 替代手写双层索引循环
常见错误现象：for i in range(len(data)): for j in range(i+1, len(data)): ——这是典型“所有两两配对”逻辑，但自己管索引容易越界、漏项、性能差。
适用条件：只关心无序组合（如比较 A 和 B，不区分 A-vs-B 还是 B-vs-A）
优势：
• 自动跳过重复索引对，逻辑更清晰
• 内部用 C 实现，比纯 Python 循环快
• 不需要手动管理 i、j 边界
注意：
• 它不适用于需要“有序对”或“带权重距离”的场景（比如计算 A 到 B 和 B 到 A 不同）
• 数据量极大时（千万级），仍需考虑是否真要生成全部组合——可能得换图算法或采样
示例：for a, b in itertools.combinations(data, 2): process(a, b)
别忽略 numba.jit 对数值型嵌套循环的真实加速能力
常见错误现象：三层以上循环处理 NumPy 数组，比如图像卷积、网格搜索、蒙特卡洛模拟，纯 Python 版本跑几分钟甚至几小时。
适用前提：
• 循环体里全是基础数值运算（加减乘除、比较、数组索引）
• 没有 Python 对象方法调用（如 .append()、str.split()）
• 输入是 NumPy 数组，不是 list 或 pandas.Series
性能影响：
• 简单双层循环常提速 5–20 倍
• 复杂多层数值循环可提速百倍以上，接近 C 速度
• 第一次调用有编译开销，后续复用极快
示例：@numba.jit(nopython=True) 加在函数上，然后直接传 np.array 进去——不需要改循环结构
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
