哈希表替代内层线性查找可将嵌套循环从o(n²)降至o(n)，双指针适用于已排序序列，itertools.product节省笛卡尔积空间，递归需缓存剪枝，降维前应先用cprofile定位瓶颈。
用哈希表替代内层线性查找
嵌套循环性能差的主因往往是内层循环在重复做 O(n) 的查找。比如判断两个列表是否有交集，或统计元素频次时反复遍历——这时把内层遍历换成哈希表（dict 或 set）查表，能把内层从 O(n) 降到 O(1) 平均复杂度。
常见错误是仍保留二重 for 循环结构，只改了内容没动骨架；或者误用 list 做成员判断（if x in my_list），实际仍是 O(n)。
- 先用
set(my_list)或{k: v for ...}预处理高频查询数据 - 内层循环中所有
in判断、计数累加、存在性检查，全部转向哈希结构 - 注意：哈希表构建本身是
O(n)，但只做一次，摊还后整体从O(n²)降为O(n)
双指针法适用于已排序序列的两路遍历
当两个输入序列天然有序（如日志时间戳、索引数组），或可低成本排序时，双指针能彻底消除嵌套。它用两个变量分别扫描两个序列，根据比较结果决定哪个指针前进，避免暴力配对。
典型陷阱是强行给无序数据排序再双指针——排序本身是 O(n log n)，若原嵌套已是 O(n²)，可能不划算；更糟的是边排序边修改原结构，导致逻辑错乱。
- 确认输入是否已排序，或排序代价是否低于嵌套开销
- 双指针变量命名要体现语义，如
i和j不够清晰，改用left_idx、right_ptr更易维护 - 边界条件必须显式处理：某一方走到末尾时，另一方剩余元素是否还需处理？
用 itertools.product 或生成器延迟展开笛卡尔积
不是所有嵌套都该被“消灭”——当业务逻辑确实需要两两组合（如坐标网格、参数组合穷举），硬拆成单层会牺牲可读性。此时重点不是去掉嵌套，而是控制其爆炸规模。
直接写 for a in A: for b in B: 会在内存中隐式维持完整笛卡尔积状态；而 itertools.product(A, B) 返回迭代器，每次只产一个元组，空间复杂度从 O(|A|×|B|) 降到 O(1)。
- 避免提前转成
list(itertools.product(...))，这会立刻触发全量生成 - 若需中途 break，注意
itertools.product不支持索引访问，得靠计数器或条件判断退出 - 当
A或B是生成器（如文件逐行读取），务必确认它们可多次迭代；否则需缓存为list
递归转迭代 + 缓存剪枝防重复子问题
多层嵌套常来自递归展开（如回溯、DFS），此时降维关键不是扁平化循环，而是识别重复子问题并缓存。Python 的 @lru_cache 能自动拦截相同参数调用，避免指数级重复计算。
容易忽略的是缓存键的可哈希性：如果递归参数含 list、dict 等不可哈希类型，@lru_cache 直接报错 TypeError: unhashable type；还有人把缓存放在函数内部手动管理，却忘了清除旧状态，导致内存泄漏。
- 把可变参数转成
tuple或字符串（如tuple(sorted(items))）再传入缓存函数 - 设置
maxsize参数，避免缓存无限增长，例如@lru_cache(maxsize=128) - 调试时临时设
maxsize=None并打印func.cache_info()，验证命中率
真正卡住性能的往往不是循环层数本身，而是每层里没意识到的隐式遍历、重复计算或数据结构误用。降维前先用 cProfile 定位热区，比盲目重构更有效。
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！
