Python中如何去除三重嵌套for循环？求代码优化方案

先解决你问的三重循环转列表推导式的问题：

原代码的逻辑是遍历三维列表snCoords的每一层，计算每个snCoords[i][j][k]到对应centerPoints[i][j]的距离，然后把所有距离按i分组存入distances2D。用列表推导式可以直接生成整个distances2D，写法如下：

import math

# 写法1：和原循环逻辑完全对应（用索引遍历）
distances2D = [
    [
        math.dist(centerPoints[i][j], sn)
        for j in range(len(snCoords[i]))
        for sn in snCoords[i][j]
    ]
    for i in range(len(snCoords))
]

# 写法2：更易读（用zip遍历，避免索引）
distances2D = [
    [
        math.dist(center, sn)
        for center, sn_group in zip(center_points_i, sn_coords_i)
        for sn in sn_group
    ]
    for center_points_i, sn_coords_i in zip(centerPoints, snCoords)
]

列表推导式就是把嵌套循环“扁平化”，外层对应i的循环，中间层是j和k的循环（注意顺序要和原循环一致：先j再k），最内层是距离计算逻辑。这种写法比原for循环+append的方式快一些，因为Python内部对列表推导式做了优化。

如果要进一步提升效率（尤其是数据量大的时候），用numpy向量化运算是更好的选择——纯Python循环在处理大规模数据时速度很慢，numpy的运算在C底层执行，效率能提升几十甚至上百倍。步骤如下：

import numpy as np

# 把列表转换成numpy数组（假设所有坐标都是二维的，比如(x,y)）
center_np = np.array(centerPoints)  # 形状为 (I, J, 2)
sn_np = np.array(snCoords)          # 形状为 (I, J, K, 2)

# 向量化计算欧氏距离：自动广播维度，一次性计算所有距离
# 先计算坐标差的平方和，再开根号
distance_matrix = np.sqrt(np.sum((sn_np - center_np[:, :, np.newaxis, :]) ** 2, axis=-1))

# 把每个i对应的所有距离 flatten 成一维列表，转成Python列表格式
distances2D = distance_matrix.reshape(distance_matrix.shape[0], -1).tolist()

简单解释：

• center_np[:, :, np.newaxis, :]给center_np增加一个维度，让它和sn_np的维度匹配（变成(I,J,1,2)），这样numpy可以自动广播，对每个centerPoints[i][j]和对应的snCoords[i][j][k]做减法。
• axis=-1表示对最后一个维度（坐标的x、y分量）求和，得到每个点对的平方距离，再开根号就是欧氏距离。
• reshape把每个i对应的(J,K)形状的距离矩阵拉成一维，和原代码中distances2D[i]的结构完全一致。

内容的提问来源于stack exchange，提问作者abcd