面试优化需四步：一用记忆化缓存避免重复计算；二减少循环内耗，提前终止与批量操作；三依操作选合适数据结构；四善用内置函数与标准库。
避免重复计算，善用缓存机制
面试中常出现斐波那契、阶乘、路径搜索等递归题型，暴力递归会导致大量重复子问题。例如 fib(5) 会重复计算 fib(3) 多次。解决方案是引入记忆化（@lru_cache）或手动用字典缓存结果。注意：缓存需考虑参数可哈希性，若含列表/字典等不可哈希类型，需先转为元组或使用自定义哈希键。
减少循环内耗，提前终止与批量操作
嵌套循环、频繁的 in 判断、反复字符串拼接（+=）都是性能雷区。例如在列表中查重，用 set 判断比 list 快得多；遍历中一旦满足条件就用 break 或 return 退出；拼接大量字符串优先用 ''.join(list) 而非循环累加。对大数据量，还可考虑用生成器替代全量列表，节省内存。
合理选择数据结构，匹配操作复杂度
不同结构的增删查时间复杂度差异显著。比如需要高频查找是否存在某元素，用 set 或 dict（O(1)）远优于 list（O(n)）；需维护有序且支持快速插入删除，可考虑 bisect 模块配合排序列表，而非每次插入后调用 sort()；涉及计数统计，直接用 collections.Counter 比手写字典计数更简洁高效。
利用内置函数和标准库，不重复造轮子
Python 内置函数（如 sum()、max()、all()、any()）和标准库（如 itertools、heapq、deque）经过高度优化。例如找 Top-K 元素，用 heapq.nlargest() 比排序后切片更省内存；处理流式数据时，用 deque(maxlen=n) 实现滑动窗口，比列表切片更高效；判断是否全为正数，用 all(x > 0 for x in nums) 比手动写循环更清晰且短路更快。
立即学习“Python免费学习笔记（深入）”；
