Python循环效率关键在于优化循环体：避免重复计算、优先用内置函数、选用高效数据结构、慎用异常处理，并通过性能分析工具定位瓶颈。
Python循环的执行效率受多种因素影响，关键不在“用不用循环”，而在于“怎么写循环”。简单for循环本身开销不大，真正拖慢速度的往往是循环体内低效操作、重复计算、频繁对象创建或不恰当的数据结构选择。
避免在循环内做重复计算
把能在循环外完成的运算提前，尤其是涉及函数调用、属性访问或常量表达式时。例如每次迭代都调用len(list)或datetime.now()，会显著增加开销。
- ❌ 错误写法：for i in range(len(data)): → 每次都重新求长度
- ✅ 正确写法：n = len(data); for i in range(n):
- 其他常见场景：正则编译re.compile()、路径拼接os.path.join()、格式化模板字符串等，都应移出循环
优先用内置函数和生成器，少写显式循环
Python的内置函数（如sum()、max()、all()）和标准库工具（如itertools、map()）底层由C实现，比纯Python循环快得多；生成器表达式也比列表推导式更省内存、有时更快（尤其配合next()或短路逻辑时）。
- 需要判断是否存在满足条件的元素？用any(x > 10 for x in data)，别写for+break
- 要累加数值？用sum(data)，而非s = 0; for x in data: s += x
- 处理大文件或流式数据？用(line.strip() for line in f)代替[line.strip() for line in f]
注意数据结构的访问复杂度
循环中频繁查表（如if x in list）会导致O(n)查找，整体变成O(n²)；换成集合或字典，查找就是O(1)。
立即学习“Python免费学习笔记（深入）”；
- ❌ if item in slow_list:（list查找慢）
- ✅ fast_set = set(slow_list); if item in fast_set:
- 同理，避免在循环里反复调用list.index()或list.count()，预处理成字典计数更高效
慎用try/except包裹循环体
异常处理本身开销不高，但except块一旦触发，栈展开成本高。若预期多数情况会抛异常（比如大量无效输入），不如改用显式判断。
- ❌ 把int(s)全包在try里逐个转，而s其实多为非数字
- ✅ 先用s.isdigit()或正则预筛，再转；或用str.isdecimal()等更准的判断
- 原则：异常用于“异常”情况，不是控制流替代品
不复杂但容易忽略。优化前先用timeit或cProfile定位真实瓶颈，别凭感觉改循环。
