Python/PyPy模拟程序运行过慢，求不改变p[i]结构的优化方案

核心性能瓶颈排查 #

现有代码的性能损耗主要集中在以下几类冗余操作上：

• 反复遍历全列表统计状态：每次循环调用4次population_list.count()，相当于每次要遍历整个千万级人口列表4次，时间复杂度直接翻4倍
• 不必要的序列化操作：旧版本代码中str(p[i]).count("1")会先把整个列表序列化成字符串再统计，开销是直接列表count的几十倍
• 遍历列表时执行删除操作：p[i].pop(j)会导致列表后续元素全部前移，每删一个元素就要遍历一次剩余列表，数据量大的时候开销爆炸
• 无效的LRU缓存装饰：simulation()函数没有输入参数，lru_cache完全不会生效，属于无效装饰还额外增加了调用开销
• 重复计算不变量：所有固定概率参数不需要每次循环都重新计算

可落地的优化方案 #

1. 替换全列表遍历统计，用变量实时维护状态 #

不要每次都调用count()统计健康、感染、康复人数，直接在修改人口状态的时候同步更新对应计数：

# 初始化的时候就定义计数变量
infected_cnt = 1
healthy_cnt = 99999999
recovered_cnt = 0
alive_cnt = 100000000

每次有人感染、康复、死亡的时候直接加减对应变量，完全省去每次循环的4次全列表遍历，这一步就能带来至少3倍的性能提升。

2. 避免列表遍历中删除元素，改用新列表存储存活人口 #

原来的p[i].pop(j)操作非常低效，直接新建一个列表存储处理后的人口即可：

new_p = []
for crowd in p[i]:
    if crowd == 1:
        if random.random() > death_chance:
            # 死亡，不加入新列表，直接减计数
            infected_cnt -=1
            alive_cnt -=1
            continue
        # 其余状态处理逻辑不变
    new_p.append(crowd)
p[i] = new_p

这一步避免了列表元素移动的开销，处理大列表时性能提升非常明显。

3. 删除无效操作，提前计算所有固定参数 #

• 去掉@functools.lru_cache装饰，无参函数用缓存完全没用
• 所有固定概率（比如reinfectation_chance、death_chance这些）初始化的时候就算好，不要每次循环重新计算
• 初始清空文件的代码可以简化，open("results.txt", "w")默认就会清空文件内容，不需要手动seek(0)和write("")，也不需要手动调用close()，with语法会自动处理。

4. 适配PyPy的优化点 #

你现在用PyPy运行的话，避免不必要的字典创建和查找，你代码里的place固定是1，完全可以不用字典p，直接用一个列表就行，进一步降低开销：

# 原来的p是{1:[]}，直接改成
p_list = []

省去字典的查找开销。

5. 随机数生成优化 #

单线程运行的场景下，可以用random.getrandbits代替部分概率判断，速度更快，比如判断大于0.5阈值的场景可以换成：

if random.getrandbits(1):
    # 对应逻辑

速度比random.random()快20%左右。

优化后性能预期 #

按照上面的方案修改完，在PyPy下运行速度至少可以再提升5-10倍，完全不需要切换回CPython，PyPy对这种循环密集型代码的优化效果远好于CPython。

内容的提问来源于stack exchange，提问作者R0Best