Python集合运算效率高于列表/元组，因其基于哈希表实现：成员检查平均O(1)，交/并/差为O(min(len(s),len(t)))；交集set(a)&set(b)比列表推导快10–100倍；注意元素须可哈希。
Python中集合（set）的运算效率远高于列表或元组的等价操作，核心原因在于其底层基于哈希表实现，平均时间复杂度为 O(1) 的成员检查和 O(min(len(s), len(t))) 的交/并/差运算。实际性能差异在数据量增大时尤为明显。
交集（&）：set比list推导快10–100倍
对两个含万级元素的容器求公共元素，用 set(a) & set(b) 比 [x for x in a if x in b] 快得多——后者对每个 a 中元素都要遍历整个 b，最坏 O(n×m)；而集合交集只需遍历较小集合，每次哈希查找接近 O(1)。
- 推荐写法：
common = set(list_a) & set(list_b) - 若原始数据已是集合，直接
s1 & s2，避免重复转换 - 注意：元素必须可哈希（如不能含列表、字典）
并集（|）和差集（-）：同样依赖哈希，但内存开销略高
s1 | s2 创建新集合，内部遍历两个集合插入所有唯一元素；s1 - s2 遍历 s1，对每个元素查是否在 s2 中。两者均为线性时间，但差集因需哈希查找，常数因子略大。
- 原地操作更省内存：
s1.update(s2)替代s1 = s1 | s2 - 判断子集用
s1 ，比 <code>all(x in s2 for x in s1)快一个数量级 - 大数据场景下，先转 set 再运算，别在循环里反复调用
in list
实际性能对比（10万整数样本）
在典型测试中（Intel i5, Python 3.11），相同逻辑的耗时大致如下：
立即学习“Python免费学习笔记（深入）”；
- list in 判断（逐个）：约 2800 ms
- set in 判断（逐个）：约 12 ms
- set & set（交集）：约 8 ms
- set | set（并集）：约 15 ms
差距主要来自算法复杂度本质不同，而非语法糖优化。
注意事项：别让类型转换拖慢整体速度
频繁在 list ↔ set 间来回转换会抵消集合运算优势。例如在循环中反复写 if x in set(big_list)，不如提前 big_set = set(big_list) 复用。
- 一次性转换，多次使用
- 小数据（
- 需要有序结果？运算后转 list 再排序，别用 list 模拟集合逻辑
