Python代码执行优化需主动识别并消除冗余计算：①循环内重复调用纯函数；②多次计算相同表达式；③对象属性/方法重复访问；④条件判断中重复求值。
Python代码执行优化的关键之一，是主动识别并消除冗余计算。很多性能瓶颈并非来自算法复杂度，而是重复执行相同逻辑、反复计算不变表达式、或在循环中做本可在外部完成的运算。
识别常见冗余计算场景
以下几类代码极易引入隐性冗余：
-
循环内重复调用纯函数：如
len(my_list)、math.sqrt(4)、os.path.exists()（路径不变时）等，在循环中反复调用却返回相同结果； -
多次计算相同表达式：例如
result = (a + b) * (a + b) + (a + b)中，a + b被算三次； -
对象属性/方法重复访问：如
for item in obj.items: print(item.name); process(item.name); save(item.name)，连续三次取item.name； -
条件判断中重复求值：如
if expensive_func(x) > 0 and expensive_func(x) ，函数被调用两次。
用变量缓存代替重复计算
最直接有效的优化方式，是把不变结果提前计算并赋给局部变量。Python局部变量访问极快，且能提升可读性。
✅ 优化前：
for i in range(len(data)):
if data[i] > max_val and data[i] < min_val * 2:
# ...✅ 优化后：
data_len = len(data)
min_val_times_2 = min_val * 2
for i in range(data_len):
if data[i] > max_val and data[i] < min_val_times_2:
# ...同理，对循环中稳定不变的对象属性、模块常量、配置值，都建议提前提取。
善用 functools.lru_cache 缓存函数结果
当函数具备纯函数特性（相同输
入恒得相同输出，无副作用），且调用开销大、参数范围有限时，可用缓存避免重复执行。
✅ 示例（递归斐波那契）：
from functools import lru_cache@lru_cache(maxsize=128) def fib(n): return n if n < 2 else fib(n-1) + fib(n-2)
⚠️ 注意：lru_cache 不适用于含可变参数（如 *args 或 **kwargs 未规范哈希）、或返回值随外部状态变化的函数。必要时可用 cache（Python 3.9+，无大小限制）或自定义字典缓存。
用生成器和惰性求值减少预计算
不是所有“冗余”都指重复，也包括过早/过度计算。比如一次性构建完整列表再过滤，不如用生成器按需产出：
✅ 冗余预计算：
all_squares = [x**2 for x in range(1000000)] filtered = [s for s in all_squares if s % 3 == 0]
✅ 惰性替代：
def square_gen():
for x in range(1000000):
yield x ** 2
filtered = (s for s in square_gen() if s % 3 == 0)
内存占用大幅下降，且若只需前几个结果（如 next(filtered)），后续计算根本不会发生。
优化冗余计算不依赖黑科技，重在养成“这个值会不会变？这次算完下回还要再算吗？”的条件反射。每次重构前花30秒扫一眼循环体和条件分支，往往就能挖出明显提速点。
