本文介绍如何使用 itertools.combinations 结合提前剪枝条件，高效生成列表的子集组合，避免生成超长组合（如元素总长度 ≥ 7），显著提升 72 元素规模下的计算性能。
在处理大规模列表（如含 72 个子列表）的子集组合时，暴力枚举所有 C(72,1) + C(72,2) + ... + C(72,25) 组合会迅速导致内存爆炸与计算停滞——尤其当仅需满足特定约束（如「子集中所有列表的元素总长度 < 7」）时，大量无效组合纯属冗余计算。
关键优化思路是：不依赖事后过滤（如 filter()），而是在生成过程中动态剪枝。由于输入列表已按子列表长度升序排列（[[1], [1,2], [2,3], [3,4], [1,2,3], [1,3,4]]），我们可以利用这一特性，在组合构建早期就判断当前路径是否还有潜力满足条件，从而跳过整棵不可能满足约束的搜索子树。
但更直接、实用且 Pythonic 的方案是：改用生成式 + 条件判断替代全量生成再过滤。如下代码即实现了该思想：
import itertools
arr = [[1], [1, 2], [2, 3], [3, 4], [1, 2, 3], [1, 3, 4]]
# 仅保留元素总长度 < 7 的非空组合（即总长度 ≤ 6）
valid_combinations = [
combo
for r in range(1, len(arr) + 1)
for combo in itertools.combinations(arr, r)
if sum(len(sublist) for sublist in combo) < 7
]
# 输出示例（前 10 项）
for i, c in enumerate(valid_combinations[:10]):
print(f"{i+1}: {c}")✅ 优势说明：
立即学习“Python免费学习笔记（深入）”；
- sum(len(sublist) for sublist in combo) 计算开销极小（远低于存储和遍历完整组合）；
- 利用列表推导式天然惰性（虽非完全惰性，但避免了 filter() + list() 的双重遍历）；
- 对于 72 元素输入，虽然仍会生成部分中间组合，但因 r 从 1 开始且 sum(len(...)) < 7 约束极强（最长单个子列表若为长度 6，则 r 最大仅能为 1；若平均长度为 3，则 r 最多为 2），实际参与 sum 计算的组合数量级远低于 C(72,6)，性能提升显著。
⚠️ 进阶建议（如需进一步加速）：
若输入规模持续增大（如 > 100）或约束更复杂（如「每个数字出现 ≤ 2 次」），推荐改用回溯法（backtracking） 实现深度优先剪枝：
- 按升序遍历索引，维护当前路径的 total_length 和 counter（元素频次字典）；
- 每次递归前检查：total_length + len(arr[i]) >= 7 → 跳过；any(counter[x] >= 2 for x in arr[i]) → 跳过；
- 这样可彻底避免生成任何非法组合，空间与时间效率最优。
? 总结：对于中等规模（≤ 72）且主约束为「总长度上限」的问题，推荐使用带内联条件的生成式组合；对高阶约束或更大规模，应切换至显式回溯实现精细化剪枝。核心原则始终是：把条件判断前置到组合生成环节，而非后置过滤。
