如何更高效地根据关联列表的对应元素对目标列表进行分组排序？

首先梳理原实现的核心冗余点：

• 把5组“高度值-列表索引”的对应关系分散写在多组if判断中，每新增一个测试高度，就要同步修改初始化的空列表长度、新增对应判断分支，维护成本高
• 手动维护counter游标同步遍历heightsTotal和timesTotal，忽略了两个列表是一一对应平行序列的前提，增加了无意义的游标管理逻辑
• 逐样本跑多组条件判断的运行效率偏低，样本量越大时判断开销越明显

方案1：兼容原有输出的简化实现 #

完全保持原有输出结构不变，抽离硬编码的映射关系，去掉手动计数器：

# 统一维护高度和嵌套列表索引的对应关系，仅需配置一次
height_index_map = {0.2: 0, 0.4: 1, 0.6: 2, 0.8: 3, 1: 4}
# 用列表推导式初始化等长的空嵌套列表，比手动写5个[]更规整
timesAfterHeight = [[] for _ in range(len(height_index_map))]
# 直接通过zip遍历两个平行列表，完全不需要手动计数
for h, t in zip(heightsTotal, timesTotal):
    timesAfterHeight[height_index_map[h]].append(t)

该方案和原代码的运行逻辑、输出结果完全一致，但代码量压缩近60%，没有冗余的分支判断，可维护性大幅提升。 #

方案2：高扩展性的通用实现 #

如果后续会新增更多测试高度，无需每次调整映射关系和初始化长度，用哈希分组逻辑自动归类即可：

from collections import defaultdict

# 自动按下落高度做样本分组，无需提前预知所有高度值
height_group = defaultdict(list)
for h, t in zip(heightsTotal, timesTotal):
    height_group[h].append(t)

# 如需保持原有的固定顺序输出，仅需配置需要展示的高度顺序列表即可
target_height_order = [0.2, 0.4, 0.6, 0.8, 1.0]
timesAfterHeight = [height_group[h] for h in target_height_order]

该方案的优势：

• 不需要提前硬编码初始化固定长度的嵌套列表
• 不需要写任何条件判断匹配样本对应的分组位置
• 新增测试高度时，仅需调整target_height_order的配置，核心遍历逻辑零修改
• 运行效率优于原代码：字典/哈希结构的查找为O(1)复杂度，无逐分支判断的额外开销，大样本量下效率优势更显著

效率对比 #

原代码的时间复杂度为O(n*k)，其中n为总测试样本数，k为固定的判断分支数（当前场景下k=5），样本越多、高度分支越多，重复判断的开销越大；
优化后方案的时间复杂度为O(n)，每个样本仅需一次哈希查找，无冗余分支，运行效率更高。

内容的提问来源于stack exchange，提问作者Aurum-197