Python中含动态数据结构更新的嵌套循环性能优化方案咨询

各位好，我现在碰到了一个性能优化的难题，想请大家帮忙出出主意：

• 如何在保证动态更新正确性的前提下，优化这段代码的性能？
• 有没有办法重构嵌套循环或者换一种实现方式，来降低时间复杂度？

data = [i for i in range(1, 101)]  # Example dataset
results = []

for i in range(len(data)):
    for j in range(i + 1, len(data)):
        # Perform some operation
        if data[i] % 2 == 0 and data[j] % 3 == 0:
            results.append((data[i], data[j]))
            # Update the data structure dynamically
            data[i] = data[i] * 2  
            data[j] = data[j] + 1  

print(results)

我已经尝试过的方法： #

• 手动跟踪更新：我试着维护一个单独的列表来记录每次迭代中data里哪些索引被更新了，但这种方式不仅繁琐，还额外增加了开销。
• 预计算有效对：我尝试在运行循环前先生成所有符合条件的(data[i], data[j])对，以此减少重复检查。但这个方法失败了，因为预计算没法处理循环内的动态更新。
• 用集合替代列表：我把data换成了set来降低查找和更新的成本，虽然性能有小幅提升，但也带来了新问题，比如无法保留顺序，也不能通过索引访问元素。

我的期望： #

• 提升性能：我希望能减少嵌套循环的运行时间，尤其是在处理百万级元素的数据集时。
• 保证正确性：我期望即使data有动态更新，结果依然准确一致。
• 可扩展的解决方案：我想要一个能高效处理更大数据集的方案，同时不需要大幅修改核心逻辑。

备注：内容来源于stack exchange，提问作者Akash Selvadoss N