如何加速实现两列表元素拼接生成矩阵frac的三层嵌套循环？

我们需要将列表country的每个元素，分别拼接到列表solved的每个元素末尾，最终生成二维矩阵frac。原代码用三层嵌套循环实现，效率偏低，以下是几种优化方案：

原代码逻辑回顾 #

原代码按lung长度对solved分片，每个分片和每个country元素拼接后加入frac，核心代码如下：

for i in range(0,len(solved),lung):
    h = solved[i:i+lung]
    for j in range(len(country)):
        g = [h[k]+country[j] for k in range(len(h))]
        frac.append(g)

优化方案 #

方案1：简化列表推导式，减少冗余循环 #

直接用嵌套列表推导替代多层显式循环，避免不必要的索引遍历和中间变量重复创建：

# 写法1：保留分片逻辑，用列表推导生成子列表
frac = []
for i in range(0, len(solved), lung):
    chunk = solved[i:i+lung]
    frac.extend([[item + c for item in chunk] for c in country])

# 写法2：更紧凑的嵌套推导式
frac = [[item + c for item in solved[i:i+lung]] 
        for i in range(0, len(solved), lung) 
        for c in country]

这种写法利用Python内置的迭代优化，比原循环减少了大量解释器层面的循环开销，代码也更简洁。

方案2：用itertools.product批量生成组合 #

借助itertools库的product函数生成分片元素与country元素的所有组合，再按维度整理：

from itertools import product

# 先生成所有拼接结果，再按lung长度分组
all_combined = [item + c for item in solved for c in country]
frac = [all_combined[i*lung : (i+1)*lung] for i in range(len(all_combined) // lung)]

这种方式适合数据量中等的场景，避免了多层嵌套循环的开销，但会先一次性生成所有拼接元素，内存占用略高。

方案3：numpy向量化操作（大数据量首选） #

如果solved和country的元素是字符串、数值等可向量化处理的类型，用numpy的广播机制能大幅提升速度：

import numpy as np

# 转为numpy数组
solved_arr = np.array(solved)
country_arr = np.array(country)

# 按lung长度拆分solved为多个分片
solved_chunks = np.array_split(solved_arr, len(solved) // lung)

frac = []
for chunk in solved_chunks:
    # 广播拼接：每个分片元素和所有country元素拼接，再转置为目标结构
    combined = np.char.add(chunk[:, None], country_arr[None, :]).T
    frac.extend(combined.tolist())

numpy的底层实现基于C语言，向量化操作能避开Python循环的性能瓶颈，数据量越大，提升效果越明显。

性能说明 #

• 原代码的三层循环存在大量索引访问和中间变量创建，Python解释器的开销占比很高；
• 列表推导式方案通过简化循环结构，利用Python内部优化提速，代码可读性也更好；
• numpy方案适合大规模数据场景，是性能提升最显著的选择。

内容的提问来源于stack exchange，提问作者solocazzimiei