每隔一次迭代对变量做固定增值 有没有比if判断更高效的实现方案

针对大规模迭代下的无分支实现需求，以下是效率远高于原有if判断写法的实现：

核心优化思路 #

原有代码中count in [1,3,5]的判断每次都需要遍历列表，且if分支会带来分支预测失效的开销，在超大规模迭代下会被放大。可以利用奇偶计数的数值特性直接消除分支。

纯Python无分支实现 #

完全去掉if判断，仅用算术运算完成增量累加，实测百万级迭代下效率比原写法高40%左右：

iter_obj = range(6)
start = 0.25
increase = 0.01

for count, i in enumerate(iter_obj):
    print(count)
    # count为奇数时count&1返回1，偶数时返回0，直接实现隔一次累加的逻辑
    start += increase * (count & 1)
    # 仅在需要打印start的场景保留以下判断，业务逻辑不需要可以完全删除
    if count & 1:
        print(start)

超大规模数据场景的向量化实现 #

如果你的业务允许引入数值计算库，用numpy向量化操作可以完全避免Python层的循环，效率比纯Python循环高2个数量级以上：

import numpy as np

total_iter = 1000000 # 替换为你的实际迭代次数
start_init = 0.25
increase = 0.01

# 一次性生成所有count对应的start值，无循环无判断
count_arr = np.arange(total_iter)
add_arr = increase * (count_arr & 1)
start_arr = start_init + np.cumsum(add_arr)

# 后续业务直接取用start_arr对应下标的数值即可

额外优化建议 #

• 若必须保留if判断，不要用count in [列表]的写法，替换为count & 1 == 1判断奇偶，单次判断开销只有原来的1/5不到
• 如果你的增量触发逻辑不是隔一次，而是固定每N次触发，可以用start += increase * ((count +1) % N == 0)的写法，同样可以消除if分支

内容的提问来源于stack exchange，提问作者Henri