NumPy核心原理是内存连续性、广播机制和向量化计算。内存连续性决定速度上限，需用ascontiguousarray确保；广播按从后往前对齐、1可扩展规则匹配形状；向量化应使用ufunc而非vectorize，如dot、where、clip等。
NumPy 的核心原理其实就三点：内存连续性、广播机制、向量化计算。 理解这三者，比死记函数更重要。很多“报错”或“慢得离谱”的问题，根源都在这里。
内存连续性决定速度上限
NumPy 数组在内存中是一块连续空间，这是它快的根本原因。但 reshape、transpose、切片等操作可能生成“视图（view）”或“副本（copy）”，影响连续性。
- 用 arr.flags.c_contiguous 检查是否 C 连续（行优先），arr.flags.f_contiguous 检查是否 Fortran 连续（列优先）
- reshape 通常返回视图，但若原数组不连续，会强制复制——悄悄拖慢速度
- 需要确保连续时，显式调用 np.ascontiguousarray(arr)，尤其在传给 Cython 或 numba 前
广播不是魔法，是规则匹配
广播本质是自动扩展维度，让两个数组形状兼容。关键看“从后往前对齐，1 可被任意长度替代”。容易出错的地方在于维度隐式添加的位置。
- 一维数组 [3] 和二维数组 (4, 3) 相加：前者被理解为 (1, 3)，再广播成 (4, 3)
- 想让 (4,) 和 (3,) 广播？不行——末尾长度不同且都不为 1。必须显式增加维度：a[:, None] + b[None, :] 得到 (4, 3)
- 用 np.broadcast_arrays(a, b) 预览广播结果，避免运行时报 shape 不匹配
向量化 ≠ 写 for 循环的替代品
真正的向量化，是把计算逻辑“压进一个数组操作里”，而不是用 np.vectorize（它只是 for 循环套壳）。
立即学习“Python免费学习笔记（深入）”；
- 优先用内置 ufunc（如 np.maximum, np.where, np.clip），它们底层是 C 实现
- 条件逻辑别写 if-else，改用 np.where(condition, x, y)；区间截断用 np.clip(arr, low, high)
- 累积类操作（如前缀和、差分）直接用 np.cumsum, np.diff，比手动循环快 10 倍以上
实战案例：图像灰度转换加速
原始写法常是三层嵌套 for 循环遍历像素，每秒处理几万像素；用 NumPy 向量化后，百万像素瞬间完成。
- RGB 图像 shape 是 (H, W, 3)，权重 [0.299, 0.587, 0.114] 对应 YUV 公式
- 正确做法：gray = np.dot(img, weights) —— 自动利用广播和点积优化
- 错误做法：np.vectorize(lambda r,g,b: 0.299*r + 0.587*g + 0.114*b)(r,g,b)，反而更慢
- 进阶提速：用 np.einsum('ijk,k->ij', img, weights)，语义清晰且支持多后端优化
