Python高效条件语句优化：多数据点下P值对比及最大差值匹配需求

需求回顾 #

• 遍历每一组连续的P[i]与P[i+1]，计算符合规则的差值
• 规则：
  • 若P[i] < P[i+1]，差值为P[i+1] - P[i]，对应BSP = SP[i]，SSP = SP[i+1]
  • 若P[i] > P[i+1]，差值为P[i] - P[i+1] - 50，对应BSP = SP[i+1]，SSP = SP[i]
• 最终选取最大差值对应的BSP和SSP

原代码问题 #

原代码通过硬编码逐个处理数据对，仅支持固定数量的输入数据，当数据量增大时，代码冗余、扩展性极差，无法高效处理。

优化后的实现 #

使用列表存储数据，通过循环批量处理所有连续数据对，同时实时跟踪最大差值及对应结果，代码如下：

# 用列表存储所有SP和P数据，支持任意数量的输入
sp_list = [100, 150, 200, 250]
p_list = [90, 40, 120, 150]

# 初始化最大差值及对应结果变量
max_diff = -float('inf')
target_bsp = None
target_ssp = None

# 遍历所有连续数据对（共len(p_list)-1组）
for i in range(len(p_list) - 1):
    current_p = p_list[i]
    next_p = p_list[i+1]
    current_sp = sp_list[i]
    next_sp = sp_list[i+1]
    
    # 计算差值及对应BSP、SSP
    if current_p > next_p:
        diff = current_p - next_p - 50
        bsp = next_sp
        ssp = current_sp
    else:
        diff = next_p - current_p
        bsp = current_sp
        ssp = next_sp
    
    # 更新最大差值及结果
    if diff > max_diff:
        max_diff = diff
        target_bsp = bsp
        target_ssp = ssp

# 输出最终结果
print(target_bsp)
print(target_ssp)

优化优势 #

• 扩展性强：只需向sp_list和p_list中添加数据即可支持任意数量的输入点
• 代码简洁：通过循环消除重复逻辑，减少冗余代码
• 内存高效：无需存储所有差值及对应结果，仅实时跟踪当前最优解，适合处理超大量数据

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