Python 如何统计大数据量的嵌套列表中各点的区间覆盖次数？

import numpy as np
from collections import defaultdict

def count_interval_coverage(points, intervals):
    """
    统计每个点在所有区间中的覆盖次数
    
    参数:
        points: list of float, 需要统计的点坐标
        intervals: list of tuple, 区间列表，每个元组为(start, end)
    
    返回:
        dict: 每个点及其对应的覆盖次数
    """
    # 将点转换为numpy数组便于向量化操作
    points_array = np.array(points)
    counts = np.zeros(len(points_array), dtype=int)
    
    # 对每个区间进行向量化统计
    for start, end in intervals:
        # 使用向量化操作判断每个点是否在区间内
        mask = (points_array >= start) & (points_array <= end)
        counts += mask.astype(int)
    
    # 将结果转换为字典
    return {point: count for point, count in zip(points, counts)}

# 使用示例
if __name__ == "__main__":
    # 示例数据
    points = [1.0, 2.5, 3.0, 4.5, 5.0, 6.5, 7.0]
    intervals = [(1.0, 3.0), (2.0, 4.0), (3.0, 5.0), (4.0, 6.0)]
    
    # 统计覆盖次数
    result = count_interval_coverage(points, intervals)
    
    # 输出结果
    print("点坐标及其覆盖次数:")
    for point, count in result.items():
        print(f"点 {point}: 被 {count} 个区间覆盖")

这个方案的核心思路是使用numpy进行向量化计算，避免了对每个点都进行循环判断。算法复杂度为O(n*m)，其中n是点数，m是区间数，但向量化操作能显著提升大数据量下的性能。

对于嵌套列表的情况，如果数据结构是[[x1, y1], [x2, y2], ...]，可以这样处理：

def count_nested_points_coverage(nested_points, intervals):
    """
    处理嵌套点列表的区间覆盖统计
    
    参数:
        nested_points: list of list, 嵌套点列表，如[[x1, y1], [x2, y2], ...]
        intervals: list of tuple, 区间列表，每个元组为(start, end)
    
    返回:
        dict: 每个点及其对应的覆盖次数
    """
    # 展平嵌套列表
    all_points = []
    for sublist in nested_points:
        all_points.extend(sublist)
    
    # 使用相同的统计函数
    return count_interval_coverage(all_points, intervals)

如果数据量特别大（百万级以上），可以考虑使用pandas或并行计算进一步优化。

总结：用numpy向量化计算最直接高效。

你好，每一条区间都是 50，最小点是 15， 最大点是 249238172

请问一层循环怎么统计呢？

1. 把区间端点映射到有限区间内
   2. 差分前缀扫一遍
   3. 后续操作就看需求了