如何优化代码更优雅高效地实现每隔1000时间步打印变量值

你原有写法存在两个核心硬伤：

• 手动枚举所有打印阈值的写法完全不可扩展，打印范围变大后维护成本极高
• 直接对浮点数t做相等判断存在精度风险，浮点运算的微小误差就会导致漏判、误判

方案1：兼容逐轮迭代逻辑（推荐，适配绝大多数数值计算场景） #

核心逻辑是绕开浮点数判断，直接用循环的整数索引i做取模判断，从根源解决精度问题，同时不需要写任何硬编码阈值。
根据参数推导：t = i * dt = i * 1e-3，当t为1000的整数倍时，对应i = 1000 * k / 1e-3 = 1e6 * k，也就是i是1000000的整数倍，直接用整数取模就能判断，不管你要打印到t=10000还是更大值，判断逻辑完全不需要改。
代码实现：

import math

dt = 1e-3
total_t = 10000  # 总运行时长，可按需修改
print_step_t = 1000  # 打印间隔的t值，可按需修改
total_iter = int(total_t / dt)
print_step_iter = int(print_step_t / dt)  # 对应循环索引的间隔，此处为1000000

for i in range(1, total_iter + 1):
    t = i * dt
    kounter = math.exp(t * (dt ** 3))
    # 单次整数取模判断，效率高无精度问题
    if i % print_step_iter == 0:
        print(f"t={t:.0f}, kounter={kounter}")

这个方案的优势：

• 所有参数都在代码顶部定义，修改总时长、打印间隔不需要动核心逻辑
• 整数取模运算性能远高于多条件或判断，不会增加额外循环开销
• 完全保留原有的逐轮计算逻辑，适配kounter是递推更新的场景（比如常微分方程数值求解、仿真迭代这类必须每一步更新状态的场景）

方案2：跳步计算（仅适配kounter可直接通过t闭式计算的场景） #

如果你不需要每一步的中间计算结果，只需要拿到每个打印节点的kounter值，完全没必要跑满1e7次循环，直接按打印间隔跳步计算即可，性能可以提升多个数量级：

import math

dt = 1e-3
total_t = 10000
print_step_t = 1000

for t in range(print_step_t, total_t + 1, print_step_t):
    kounter = math.exp(t * (dt ** 3))
    print(f"t={t}, kounter={kounter}")

注意：如果你的kounter是依赖上一步结果递推得到的（比如仿真里的状态变量），绝对不能用这个方案，会导致计算结果完全错误，这种情况请用方案1。

额外优化提示 #

原代码里的e**(xxx)写法需要提前定义自然常数e，直接用math.exp(xxx)计算效率更高，精度也更好。

内容的提问来源于stack exchange，提问作者Lost