Python如何基于全局位置高效修改列表的列表内元素

针对大规模数据、高频修改的场景，核心原则是避免每次修改都重复遍历计算位置，根据子列表是否等长选对应方案即可，都是高频场景下验证过的高性能实现：

场景1：所有子列表长度固定 #

这是速度最快的方案，零额外空间开销，单次修改为O(1)时间复杂度，不需要任何预处理。
直接用整除、取余运算就能算出目标位置对应的子列表序号和子列表内偏移，以你给出的示例为例，每个子列表长度固定为5：

• 子列表序号 = 全局索引 // 单个子列表长度
• 子列表内偏移 = 全局索引 % 单个子列表长度
  对应代码：

SUBLIST_LENGTH = 5
mylist = [['h','e','l','l','o'], ['w','o','r','l','d']]
global_pos = 5

# 直接定位修改
sublist_idx = global_pos // SUBLIST_LENGTH
inner_idx = global_pos % SUBLIST_LENGTH
mylist[sublist_idx][inner_idx] = 'change'

运行后mylist就是目标结果：[['h','e','l','l','o'], ['change','o','r','l','d']]，哪怕执行上亿次修改也不会有性能瓶颈。

场景2：子列表长度不固定 #

不要每次修改都从头累加子列表长度找位置，那样单次修改最坏要遍历所有子列表，高频操作下性能极差。正确做法是初始化时一次性计算前缀和索引表，之后每次修改用二分查找定位目标子列表，单次修改时间复杂度为O(logk)（k是子列表总数，哪怕有100万个子列表，二分也只需要20次左右运算）。
封装成类用起来最方便：

import bisect

class FastNestedList:
    def __init__(self, nested_data):
        self.data = nested_data
        # 预计算前缀和数组，prefix[i]表示前i个子列表的元素总个数
        self.prefix = [0]
        for sublist in nested_data:
            self.prefix.append(self.prefix[-1] + len(sublist))
    
    def set(self, global_pos, value):
        # 二分定位目标所在的子列表
        sub_idx = bisect.bisect_right(self.prefix, global_pos) - 1
        # 计算子列表内的偏移位置
        inner_idx = global_pos - self.prefix[sub_idx]
        self.data[sub_idx][inner_idx] = value

# 调用示例
mylist = [['h','e','l','l','o'], ['w','o','r','l','d']]
nl = FastNestedList(mylist)
nl.set(5, 'change')
print(nl.data)
# 输出：[['h','e','l','l','o'], ['change','o','r','l','d']]

避坑提醒 #

• 别把嵌套列表扁平化（比如用sum(mylist, [])或者列表推导式拍平）之后修改，再重组回嵌套结构：这种方式会复制全量数据，内存占用直接翻倍，数据量稍大就会触发内存瓶颈，速度也慢。
• 别每次修改都写循环累加长度找位置：子列表数量多、修改次数多的时候，这种线性查找的性能比二分方案差几个数量级。
• 如果后续会动态增删子列表、修改子列表长度，只需要在变动时同步更新prefix前缀和数组即可，不用每次修改都重算。

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