如何加速Python中嵌套for循环的执行？含大计算量与大范围优化需求

你的原代码因四重嵌套循环+重复计算幂运算，导致运行效率极低，针对后续更大范围的搜索需求，这里提供几个实用的优化方案：

1. 预计算所有幂次值，避免重复运算 #

原代码每次循环都重新计算2**a、3**b这类幂次，大量重复计算浪费资源。先提前算出所有可能的幂次值，能大幅减少计算量：

import numpy as np

# 定义搜索范围
range_val = range(-100, 101)
# 预计算所有底数的幂次数组
pow2 = np.array([2**a for a in range_val], dtype=np.float64)
pow3 = np.array([3**b for b in range_val], dtype=np.float64)
pow5 = np.array([5**c for c in range_val], dtype=np.float64)
pow7 = np.array([7**d for d in range_val], dtype=np.float64)

2. 用NumPy广播实现向量化运算，替代四重循环 #

NumPy的广播机制能把多维数组运算转化为底层优化的C语言操作，比Python原生循环快几个数量级。我们可以把四个一维数组广播成四维，一次性计算所有组合的乘积，再筛选符合条件的结果：

# 广播成四维数组，计算所有组合的乘积
product = pow2[:, np.newaxis, np.newaxis, np.newaxis] * \
          pow3[np.newaxis, :, np.newaxis, np.newaxis] * \
          pow5[np.newaxis, np.newaxis, :, np.newaxis] * \
          pow7[np.newaxis, np.newaxis, np.newaxis, :]

# 计算误差并筛选符合条件的结果
target = 0.3048
error = np.abs(product - target)
mask = error <= 1e-6

# 获取符合条件的索引与对应值
indices = np.where(mask)
a_vals = [range_val[i] for i in indices[0]]
b_vals = [range_val[i] for i in indices[1]]
c_vals = [range_val[i] for i in indices[2]]
d_vals = [range_val[i] for i in indices[3]]
results = product[mask]
errors = error[mask]

# 输出结果
for a, b, c, d, res, err in zip(a_vals, b_vals, c_vals, d_vals, results, errors):
    print(f'a={a}, b={b}, c={c}, d={d}, the number={res}, error={err}')

3. 数学优化：取对数缩小搜索范围 #

对原式取自然对数，把乘法转化为加法：ln(2^a *3^b *5^c *7^d) = a*ln2 + b*ln3 + c*ln5 + d*ln7，目标值的对数为ln(0.3048)。通过求和筛选符合条件的组合，可提前排除大量不可能的情况，进一步减少计算量：

import numpy as np

target_log = np.log(0.3048)
ln2 = np.log(2)
ln3 = np.log(3)
ln5 = np.log(5)
ln7 = np.log(7)

range_val = range(-100, 101)
# 预计算每个变量的对数贡献
log2 = np.array([a * ln2 for a in range_val], dtype=np.float64)
log3 = np.array([b * ln3 for b in range_val], dtype=np.float64)
log5 = np.array([c * ln5 for c in range_val], dtype=np.float64)
log7 = np.array([d * ln7 for d in range_val], dtype=np.float64)

# 广播求和计算总对数
total_log = log2[:, np.newaxis, np.newaxis, np.newaxis] + \
            log3[np.newaxis, :, np.newaxis, np.newaxis] + \
            log5[np.newaxis, np.newaxis, :, np.newaxis] + \
            log7[np.newaxis, np.newaxis, np.newaxis, :]

# 筛选对数误差符合要求的组合（可根据需求调整阈值）
log_error = np.abs(total_log - target_log)
mask = log_error <= 1e-6

# 后续转换回原数值并输出的步骤与之前一致
indices = np.where(mask)
# ... （同前面的输出逻辑）

效果说明 #

• 预计算+NumPy向量化：能将原201^4次的Python循环运算转化为数组操作，速度提升至少几十倍，甚至上百倍。
• 对数优化：在扩大搜索范围（比如range(-200,201)）时，能大幅减少需要处理的数组规模，进一步提升效率。

内容的提问来源于stack exchange，提问作者User