程序员圈子里经常有这么个场景：接手一个老项目，翻开某个函数。里面嵌套了七八层 if中间还夹杂着两个 for 循环和一堆 try/except光是理清楚这段代码到底能走出多少种结果，就得花上半个小时。痛点：代码难读、调试费时、改动风险大，这些都是因为循环复杂度过高导致的。

怎么算出来的

循环复杂度是软件工程师 Thomas J. McCabe 在 1976 年提出的度量指标，用来衡量一段代码里有多少条相互独立的执行方法。它本质上是图论：把代码的控制流看成有向图。节点代表顺序执行的代码块，边代表可能的跳转。

McCabe 给出的正式公式为：

$M=E-N+2P$

其中 E 是边数。N 是节点数，P 是连通分量数。对单函数而言 P=1公式简化为：

至于好消息是。在结构化程序中，只要统计判断点数量并加一**即可得到循环复杂度。至于判断点包括，

• if / elif / else
• /
• /
• /
• 逻辑运算符 and / or
• 三元表达式等隐式分支

举例说明

• 没有分支的函数：复杂度 = 1。
• 单个 : 复杂度 = 2。
• 两层嵌套 : 复杂度 = 3。
• 每增加一个判断点，复杂度就 +1。

📊 复杂度数值代表着什么风险

McCabe 当年给美国国土安全部演示时列出了风险分级。后被业界广泛采用：

NIST 将单函数循环复杂度 **≤10** 定为推荐上限，很多 CI/CD 流水线会把这个阈值写进质量门槛，超标的 Pull Request 会被自动拦截。

User Pain Point： 即使代码功能正确，高复杂度也会导致调试时间翻倍、回归测试成本飙升、团队协作摩擦增多。

本质复杂度 vs 意外复杂度

"高" 并不一定等于“烂”。状态机、协议解析器、配置校验器天生需要大量分支，这属于本质复杂度****。真正"意外复杂度"- 那些因为缺乏抽象或不恰当实现而产生的额外判断点。

🧠 一张图直观理解控制流

🐍 Python 里怎么写出低复杂度、职责清晰的代码？

至于案例，从“乱”到“清晰” 的重构过程

① 痛点示例 —— 高复杂度代码

def evaluate_loan:
if score <600:
        if history == "poor":
            return "reject"
        else:
            if account_type == "premium":
                return "manual_review"
            else:
                return "reject"
    else:
        if score <750:
            if history == "poor":
                if debt / income> 0.5:
return "reject"
else这方面，return "manual_review"
至于else，return "manual_review"
至于else，if history == "excellent":
return "approve"
else这方面，if account_type == "premium":
return "approve"
else这方面。
return "manual_review"

This function contains 12 decision points → cyclomatic complexity ≈13.. It lands in “medium risk” zone and is extremely hard to read or modify.

② 重构思路 —— 卫语句 + 方法抽取

• 卫语句提前返回：把异常或边界情况先处理掉，让主流程保持平坦。怎么说呢，
• 提取方法：** 把每一段业务独立出来让函数名即是注释。
• KISS / 单一职责：
• Avoid deep nesting:,字典映射等手段降低缩进层级。

③ 重构后代码

def evaluate_loan:
"""根据信用分、历史记录和账户类型评估贷款申请。"""
# 低分直接拒绝
if _is_low_score_reject:
return "reject"
# 高信用分直接批准或人工审查
if score>= 750:
return _evaluate_high_score
# 中等信用分走专属方法
if score>= 600:
return _evaluate_mid_score
# 剩余情况统一交给人工审查
return "manual_review"
def _is_low_score_reject:
"""低分段直接拒绝的情形。"""
if score>= 600:
return False
if history == "poor":
return True
# 非 poor 且非 premium 时也拒绝
return account_type!= "premium"
def _evaluate_mid_score:
"""中等信用分段的评估逻辑。"""
if history!不过，= "poor":
return "manual_review"
debt_ratio = debt / income
return "reject" if debt_ratio> 0.5 else "manual_review"
def _evaluate_high_score:
"""高信用分段的评估逻辑。"""
if history == "excellent":
return "approve"
if account_type == "premium":
return "approve"
return "manual_review"

The main function now has a cyclomatic complexity of **3**。and each helper stays ≤ **4** – comfortably under “low risk” threshold.

几条实用的重构原则

• #1 卫语句提前返回：,,, 提前退出，让主体保持单层缩进。
• #2 提取方法：
• #3 用字典或枚举替代长串

  
  status_map = {
  : LoanResult.APPROVE。: LoanResult.REJECT,...
  }
  return status_map.get,LoanResult.MANUAL)

• #4 循环内使用 提前跳过不相关方法，从而降低嵌套深度。#5 把复合条件抽成布尔变量：

  is_high_debt = debt / income> 0.5
  if is_high_debt:
  ...
  

  这样既降低了计算时产生的新判定，也提高了可读性。User Pain Point： 即使业务必须有很多分支。也要通过以上技巧让「阅读」成本保持在可接受范围内，否则后续维护将付出巨大的时间代价。🔧 顺手一提——工具帮你自动算分

  手动数判断点只适用于小函数，大型项目推荐使用自动化工具。Python 社区最常用的是 **Radon**：

  li>解析抽象语法树。输出每个函数/类 的 Cyclomatic Complexity li>还能给出 Maintainability Index 等衍生指标 li>配合 CI 设置阈值，例如 `radon cc . -s -a --min C`，超标即阻止合并。\ul>

  💡 写在最终

  Cyclomatic Complexity 已经活跃近五十年。它把「这段代码是不是太乱」转化为客观数字，为团队沟通提供统一标尺。但数字只是工具，真正决定可维护性的，是 **业务逻辑是否被合理组织**。坚持使用卫语句、方法抽取、查表替代长链条件，你会发现自己写出的 Python 函数既短又清晰——下个月接手这块儿的人将少踩无数坑。

  参考资料

  li>Wikipedia. *Cyclomatic complexity*. https://en.wikipedia.org/wiki/Cyclomatic_complexity li>GeeksforGeeks. *Cyclomatic Complexity*. https://www.geeksforgeeks.org/cyclomatic-complexity/ li>SciTools. *Understanding McCabe Cyclomatic Complexity*. https://support.scitools.com/ li>Tanner M.。Sourcegraph Blog. *Cyclomatic complexity: What it is and how to reduce it*. https://sourcegraph.com/blog/cyclom... li>Augment Code. *How to Reduce Cyclomatic Complexity*. https://www.augmentc ode.com/learn/how-t... li>Novak B.,Medium. *Reducing Cyclomatic Complexity in your code*. https://medium.com/@brooknovak... li>PyPI. *Radon*. https://pypi.org/project/radon/ li>Radon Documentation. *Introduction to Code Metrics*. https://radon.readdocs.io/en/latest/i...