如何在Python中优化循环内多条件判断，兼顾可读性与性能？

先戳中你的核心痛点：原transformer函数虽然易读，但循环内重复执行全局条件判断纯属性能浪费；transformer_fast把所有条件组合硬编码，性能上去了，但可读性和可维护性直接崩盘——要是条件多到4、5个，写2^4=16个elif绝对是开发噩梦。

在Python里，我们可以通过提前构建转换链的方式，完美兼顾两者：只在循环外做一次条件判断，把需要执行的转换函数组合成一个单一逻辑，循环里只需要对每个item应用这个组合好的函数即可。

方案1：函数组合实现（最推荐） #

借助functools.reduce来组合满足条件的转换函数，代码简洁且可读性拉满：

from functools import reduce

def compose_transforms(transforms):
    """将多个转换函数组合成一个单一函数"""
    def composed(item):
        return reduce(lambda current, func: func(current), transforms, item)
    return composed

def transformer_optimized(items, conditions, transforms):
    # 一次性筛选出需要执行的转换函数（仅判断一次条件）
    active_transforms = [t for cond, t in zip(conditions, transforms) if cond()]
    
    # 组合转换函数：如果没有需要执行的转换，就返回原item
    apply_transform = compose_transforms(active_transforms) if active_transforms else lambda x: x
    
    # 循环里只执行预构建好的转换逻辑，无需再判断条件
    for item in items:
        yield apply_transform(item)

方案2：动态叠加lambda（无需额外导入） #

如果不想引入functools，可以用lambda动态叠加转换逻辑，注意要绑定当前循环的变量值避免闭包陷阱：

def transformer_optimized(items, conditions, transforms):
    # 初始转换逻辑：返回原item
    apply_transform = lambda x: x
    
    for cond, transform in zip(conditions, transforms):
        if cond():
            # 通过默认参数绑定当前的transform和之前的转换逻辑
            apply_transform = lambda x, t=transform, prev=apply_transform: t(prev(x))
    
    for item in items:
        yield apply_transform(item)

为什么这两种方案更优？ #

1. 性能与transformer_fast持平：所有条件只判断一次，循环内仅执行预构建的转换逻辑，无多余判断开销。
2. 可读性碾压transformer_fast：代码逻辑清晰，不管条件数量增加到多少（比如10个），代码量都不会爆炸，维护成本极低。
3. 灵活性拉满：新增条件或转换时，只需要在conditions和transforms列表里添加对应元素即可，完全不需要修改循环逻辑。

举个直观对比：假设你有5个条件，transformer_fast需要写32个elif分支，而上面的方案只需要保持现有代码结构——这就是优雅的Pythonic解决思路。

内容的提问来源于stack exchange，提问作者norok2