如何高效实现百万级字典所有值减1操作？

这问题问到点子上了！处理百万级别的字典，效率和内存占用都是必须考虑的核心点，下面给你几个最优实现方案：

方案一：字典推导式 + enumerate（首推） #

这是Python里最简洁且性能拉满的方式，enumerate和字典推导式都是底层优化过的内置实现，完全适配大规模数据场景：

# 假设你的原始字典是original_dict
original_dict = {'hi':1, 'hi2':2, 'lskdjf':3}  # 示例，实际为百万级键值对
new_dict = {key: idx for idx, key in enumerate(original_dict)}

为什么高效？ #

• 遍历字典默认就是遍历键，所以enumerate(original_dict)等价于enumerate(original_dict.keys())，省去了额外的键列表生成步骤
• 字典推导式是Python中构建字典最快的方式之一，比手动循环逐个赋值快数倍
• Python 3.7+的原生字典是有序的，生成的新字典会严格保留原字典的键顺序；如果是旧版本，只需替换为collections.OrderedDict即可保证顺序

方案二：zip + range（备选） #

如果你习惯用zip的写法，也可以这样实现，性能和方案一接近，但可读性稍弱：

keys = list(original_dict.keys())
new_dict = dict(zip(keys, range(len(keys))))

这里先把键转成列表是为了避免多次遍历原字典（range(len(keys))需要先获取键的总数），对于百万级数据来说，内存开销可以忽略不计。

关键注意事项 #

• 如果你的字典在处理过程中可能被其他线程修改（比如添加/删除键），一定要先把键提取成列表（keys = list(original_dict.keys())），再进行后续操作，避免迭代过程中字典结构变化引发异常
• 两种方案的时间复杂度都是O(n)（n为字典键的数量），是理论上的最优复杂度，处理百万级数据完全无压力

内容的提问来源于stack exchange，提问作者Keshav M