itertools.combinations 是枚举所有组合的最轻量可靠方案，需转为 list 或迭代才能获取具体组合；math.comb 仅返回纯数值 C(n,k)，Python 3.8+ 支持，旧版可用阶乘公式替代。
用 itertools.combinations 直接生成组合，别手写递归
Python 求组合数（C(n,k)）本身不等于“枚举所有组合”，但多数人实际要的是后者——比如从列表里挑 3 个元素做测试、遍历所有特征子集。这时候 itertools.combinations 是最轻量、最可靠的选择，比自己写递归或用 math.comb（只返回数值）更贴近真实需求。
常见错误是误以为它返回的是“数量”，结果调用后得到一个 itertools.combinations 对象却没转成 list 或迭代，打印出来只看到对象地址。
- 必须用
list(itertools.combinations(items, k))或显式循环才能拿到具体组合 -
items可以是任意可迭代对象（list、str、range），但顺序敏感：组合按输入顺序生成，不自动去重 - 如果
items含重复元素（如[1,1,2]），combinations会把它们当不同位置处理，不会 dedupe
math.comb 算纯数字组合数，Python 3.8+ 才有
如果你真只需要 C(n,k) 的整数值（比如算概率分母、判断是否超限），math.comb 是最快最稳的方案，底层用位运算优化，不构造任何中间对象。
容易踩的坑是版本兼容性：3.7 及更早报 AttributeError: module 'math' has no attribute 'comb'；有人退而求其次用 scipy.special.comb，但它默认返回 float，对大数可能丢精度，且引入额外依赖。
立即学习“Python免费学习笔记（深入）”；
- 确认 Python 版本：
import sys; print(sys.version) - 替代方案（兼容旧版）：
from math import factorial; factorial(n) // (factorial(k) * factorial(n-k))，但注意阶乘增长极快，n > 1000 就容易溢出或变慢 -
math.comb(1000, 500)没问题，但factorial(1000)计算开销明显更高
去重组合？先排序再用 itertools.combinations + set 不靠谱
当原始数据含重复值（如 [1,1,2,2]），又想枚举“值层面”的不重复组合（即 (1,1,2) 算一种，不是按索引算两种），不能直接套 combinations 后塞进 set —— 因为元组可哈希，但排序混乱会导致等价组合被当成不同项。
正确做法是预处理：对输入排序 + 分组计数，再手写逻辑控制每个值最多取几次。不过大多数场景其实不需要这么复杂——先明确你要的是“索引组合”还是“值组合”。90% 的 case，用户真正需要的只是前者，误以为要后者。
- 错误示范：
set(combinations([1,1,2], 2))→ 得到{(1,1), (1,2), (1,2)}，但 set 去重后只剩两个，漏掉一个 (1,2)，因为两个 (1,2) 实际来自不同索引，内容相同但不可区分 - 若真需值去重，推荐用
itertools.combinations_with_replacement配合sorted(set(items))，但语义已变成“从唯一值中可重复选”，和原意不同 - 更安全的做法：用
collections.Counter构建多集，再基于频次回溯生成，但这已超出itertools范畴
性能临界点在哪？别在循环里反复调用 combinations
itertools.combinations 本身是惰性生成器，内存友好，但每次调用都会重建迭代器。如果在高频循环里反复执行 combinations(data, k)（比如嵌套在 for i in range(1000): 里），开销主要来自对象创建和状态初始化，而非计算本身。
另一个隐形成本是结果体积：C(20,10) = 184756，C(25,12) ≈ 5e6，内存和遍历时间会陡增。这时候得考虑是否真的需要全量枚举，还是可以 early-stop、采样、或换用生成式逻辑。
- 避免：
for _ in range(100): list(combinations(big_list, 5)) - 改为缓存一次：
all_combos = list(combinations(big_list, 5))，后续复用 - 如果只需随机几个，用
random.sample(list(combinations(...)), k=10)，但注意先转 list 会吃内存；更省内存的方式是用itertools.islice随机跳过前 N 项
实际用哪条路，取决于你手头的数据规模、是否允许重复、以及到底要数值还是具体组合——这三者没理清，代码写得再“标准”，也容易跑偏。
