本文介绍如何使用 itertools.combinations 结合提前剪枝条件（如子集内所有列表的元素总长度 ≤ 6），避免生成超限组合，显著提升大数据量（如 72 个子列表）下的计算效率。
在处理大规模嵌套列表的子集组合时，暴力枚举所有可能组合（如 C(72,1) + C(72,2) + ... + C(72,25)）极易导致内存爆炸与运行停滞——尤其当仅需满足「组合中所有子列表的元素总个数不超过 6」这类硬性约束时。此时，简单使用 filter() 后置过滤毫无意义：它仍会完整生成全部组合再逐一判断，无法规避指数级中间结果。
核心优化思路是「边生成、边剪枝」：利用输入列表已按子列表长度升序排列的特性，在组合构建过程中，一旦当前部分组合的元素总长度 ≥ 7，即可立即跳过更长的组合分支（即回溯剪枝）。但 itertools.combinations 本身不支持动态剪枝，因此我们采用 分层生成 + 即时条件过滤 的策略：
import itertools
def bounded_powerset(lst, max_total_len=6):
"""
生成 lst 的非空子集组合，要求每个组合中所有子列表的元素总长度 <= max_total_len
利用升序特性，对每组大小 r 进行独立过滤，避免生成超限组合
"""
result = []
n = len(lst)
# 按组合大小 r 逐层生成：r = 1, 2, ..., 最大可能值（由最短元素决定）
for r in range(1, n + 1):
# 若最小可能总长度（取前 r 个最短子列表）已超限，则后续 r 均可跳过
min_possible_sum = sum(len(lst[i]) for i in range(r))
if min_possible_sum > max_total_len:
break # 后续更大的 r 必然更超限，直接终止
# 生成所有 r 元组合，并即时过滤
for combo in itertools.combinations(lst, r):
total_len = sum(len(sublist) for sublist in combo)
if total_len <= max_total_len:
result.append(combo)
# 注意：此处不 break，因为组合顺序不保证总长度递增（虽输入升序，但组合取法无序）
return result
# 示例使用
arr = [[1], [1,2], [2,3], [3,4], [1,2,3], [1,3,4]]
result = bounded_powerset(arr, max_total_len=6)
for combo in result:
print(combo)✅ 关键优势： 提前终止循环：当 r 层的最短 r 个子列表之和已超限，直接跳出，避免无效的 r+1 及以上层计算； 即时过滤：每生成一个组合即计算总长度，不缓存超限项，内存友好； 兼容性高：无需修改 itertools 源码，纯 Python 实现，逻辑清晰易维护。
⚠️ 注意事项：
- 虽输入列表按子列表长度升序排列，但 combinations 生成的组合顺序不保证其 sum(len(...)) 单调递增，因此不能在单层内遇到首个超限项就 break（需遍历全层或改用 DFS 回溯实现深度剪枝）；
- 若需支持「元素全局出现频次 ≤ 2」等复杂约束，建议在本函数基础上增加计数逻辑（如用 collections.Counter 动态统计），或改用递归回溯（backtracking）实现更精细的路径剪枝；
- 对于极端规模（如 n=72），即使剪枝后组合数仍可能较大，可进一步结合生成器（yield）替代 list 存储，流式处理结果。
综上，该方法以极小代码改动，将原问题从「不可行」变为「可落地」，是组合搜索类任务中「约束驱动剪枝」的经典实践。
立即学习“Python免费学习笔记（深入）”；
