Python递归易栈溢出，因默认递归深度限制且每次调用新增栈帧；增加recursionlimit治标不治本；应减少调用次数、降低栈空间或改用迭代；CPython不支持尾递归优化。
Python递归函数容易栈溢出，根本原因是默认递归深度限制（通常为1000）和每次调用都压入新栈帧。不改逻辑只靠增加sys.setrecursionlimit()治标不治本，还可能引发段错误。真正有效的优化要从减少调用次数、降低栈空间占用、或替换递归结构入手。
尾递归无法自动优化，别依赖它
Python解释器（CPython）不支持尾递归优化（TCO），即使写成尾递归形式，每次调用仍会新增栈帧。例如计算阶乘的尾递归写法：
def fact_tail(n, acc=1):
if n return acc
return fact_tail(n-1, n*acc)
这段代码在n较大时依然会栈溢出。不要误以为“尾递归=安全”，在Python里它和普通递归一样危险。
立即学习“Python免费学习笔记（深入）”；
用显式栈模拟递归（迭代重写）
把递归过程中的“待处理状态”存到列表或deque中，手动维护调用栈。适合树遍历、DFS、表达式求值等场景：
- 原递归：函数调用隐式保存参数、局部变量、返回地址
- 迭代改写：用一个栈列表存元组，如
[(node, state)]，state表示当前处理阶段 - 每轮pop一个任务，处理后push新任务（如有）
例如二叉树中序遍历，递归版需O(h)栈空间（h为树高），迭代版同样O(h)，但可控、无溢出风险。
记忆化减少重复子问题（适合动态规划类）
对存在大量重复子调用的递归（如斐波那契、背包问题），加缓存能指数级降低调用次数：
- 用
@lru_cache装饰器最简单，注意参数必须可哈希 - 手动用字典缓存更灵活，可控制清理策略或支持不可哈希参数
- 记忆化不减少单次调用深度，但大幅降低总调用数，间接缓解栈压力
未加缓存的fib(100)会调用上亿次；加@lru_cache后仅100次，且最大递归深度仍是100，非常安全。
改用生成器或分治拆解，避免深链式调用
某些场景（如大数组分治、嵌套结构展开）可用生成器yield中间结果，或把“一串递归调用”改为循环+队列处理：
- 不用
flatten(x) + flatten(y)拼接列表（产生大量临时对象和调用链） - 改用
yield from flatten(x); yield from flatten(y)，内存友好且调用深度可控 - 对超深嵌套结构，先测深度，超过阈值则切片分批处理
这类调整不改变语义，但让执行路径更平缓，避开陡峭的调用栈峰值。
