多嵌套列表共有元素数值百分比变化计算及Pandas优化方案

针对你的问题，用Pandas的向量化操作可以大幅提升效率，比手动遍历快得多，具体实现步骤如下：

步骤1：导入Pandas并转换数据格式 #

先把嵌套列表转换成Pandas的DataFrame，让字符串首元素作为索引，每个子列表对应一列数值：

import pandas as pd

really_big_list = [
    [["A",1], ["B",2], ["C",3]], 
    [["A",2], ["G",2], ["C", 5]], 
    [["A", 2], ["B", 5], ["D", 3]]
]

# 将每个子列表转为Series，索引为字符串首元素，值为对应数值
series_list = []
for sublist in really_big_list:
    # 拆分每个子列表的键和值
    keys = [item[0] for item in sublist]
    values = [item[1] for item in sublist]
    series_list.append(pd.Series(values, index=keys))

# 合并所有Series为DataFrame，列对应原嵌套列表的层级
df = pd.concat(series_list, axis=1)

步骤2：筛选所有子列表共有的元素 #

DataFrame中缺失值代表该元素在对应子列表中不存在，直接用dropna()筛选出无缺失值的行（即所有子列表都存在的元素）：

# 筛选公共元素
common_elements = df.dropna()

示例数据中，公共元素只有"A"，得到的common_elements如下：

0    1    2
A  1.0  2.0  2.0

步骤3：计算百分比变化 #

Pandas内置了pct_change()方法可以直接计算变化率，也可以手动计算相对于基准的百分比变化：

方式1：计算相邻子列表间的百分比变化 #

# 按列计算相邻变化率，结果为小数（如1.0代表100%）
pct_changes = common_elements.pct_change(axis=1)

示例结果：

0    1    2
A   NaN  1.0  0.0

NaN是因为第一列没有前序数据，1.0代表从第一个子列表到第二个子列表数值翻倍（100%增长），0.0代表第二个到第三个子列表数值无变化。

方式2：以第一个子列表为基准计算百分比变化 #

如果需要统一以第一个子列表的数值为基准，直接做除法运算：

# 计算相对于第一个子列表的百分比变化，转为百分比形式
base_pct_changes = (common_elements / common_elements.iloc[:, 0] - 1) * 100

示例结果：

0      1      2
A   0.0  100.0  100.0

代表"A"在第二个子列表中比第一个增长100%，第三个和第一个相比同样增长100%。

效率优势 #

Pandas的核心操作都是底层C实现的向量化运算，避免了Python循环的开销，数据量越大，和手动遍历的效率差距越明显，处理百万级数据也能快速完成。

内容的提问来源于stack exchange，提问作者Jorge Gill