Python嵌套循环与函数调用提速求助：大规模元组列表优化

哇，82小时的运行时间确实让人头大——这明显是线性查找拖了后腿！咱们直接抓核心问题来优化，把耗时砍到分钟级甚至秒级：

核心问题分析 #

你的代码里最大的性能黑洞是calcTrustDif和calcPccDif两个函数：每次循环都要遍历几万/几百万个元素做线性搜索，1642×1642≈270万次循环下来，总操作量直接爆炸。咱们用Python的字典（哈希表）把查找复杂度从O(N)降到O(1)，这会是最显著的提升。

具体优化步骤 #

1. 将列表转换为查找字典 #

先把Trust和Similarities转换成以(i,j)为键的字典，这样查找对应值只需要一次哈希查找：

# 转换Trust列表为字典：键是(i,j)，值是对应的trust值
trust_dict = {(t[0], t[1]): t[2] for t in Trust}

# 转换Similarities列表为字典：提前计算1-similarity值，避免循环中重复计算
pcc_dict = {(s[0], s[1]): 1 - s[2] for s in Similarities}

2. 预初始化二维数组 #

原来的循环里每次append会有额外的内存分配开销，直接用列表推导式预初始化固定大小的数组：

size = 1642
# 预初始化两个二维数组，默认值先设好，后面直接赋值
totalDistance = [[0.0 for _ in range(size)] for _ in range(size)]
totalSim = [[0.0 for _ in range(size)] for _ in range(size)]

3. 简化循环与条件判断 #

现在查找直接用字典的get方法带默认值，同时简化d的计算逻辑，还可以用math库的优化函数替代手动计算：

import math

for i in range(size):
    for j in range(size):
        tr = trust_dict.get((i, j))
        pc = pcc_dict.get((i, j))
        
        # 简化d的计算逻辑
        if tr is not None and pc is not None:
            d = math.hypot(pc, tr)  # 等价于sqrt(pc² + tr²)，C实现的优化函数更快
        elif tr is not None:
            d = tr
        elif pc is not None:
            d = pc
        else:
            d = 3
        
        totalSim[i][j] = 1 - d
        totalDistance[i][j] = d

为什么这能大幅提速？ #

• 字典查找的优势：原来的线性扫描最坏情况要遍历数万元素，现在字典的get操作是O(1)的哈希查找，几乎瞬间完成；
• 提前计算pcc值：把1 - s[2]提前存在字典里，避免循环中重复计算，累积节省不少时间；
• 预初始化数组：避免了append带来的内存重新分配和复制，大数组下这部分开销很可观；
• 用math.hypot替代手动计算：math.hypot是C实现的优化函数，比手动调用sqrt和pow更快更稳定。

按照这个优化，你的运行时间应该能从82小时直接降到几分钟甚至几十秒——这就是哈希表的魔力！

内容的提问来源于stack exchange，提问作者nino