NumPy ndarray 比 Python 列表快，因其底层 C 实现、内存连续、无类型检查开销，且运算批量执行；列表是 PyObject* 指针数组，每次操作需查类型、调方法、分配新对象。
NumPy 的 ndarray 为什么比 Python 列表快？
因为底层用 C 实现，内存连续、无类型检查开销，且运算直接在预分配的缓冲区上批量执行。Python 列表是对象指针数组，每次加法都要查类型、调方法、分配新对象。
- 列表
[1, 2, 3]存的是三个PyObject*指针，每个整数都是独立对象 -
np.array([1, 2, 3])是一块连续内存，按int64原生格式存值 -
+对列表是拼接（生成新列表），对ndarray是逐元素加法（in-place 或新缓冲区）
哪些操作能真正触发向量化？
只有 NumPy 自带的 ufunc（universal function）或其组合才自动向量化；手写的 for 循环、map()、列表推导式全都不算。
- ✅
np.sin(arr)、arr * 2、arr > 0.5—— 真向量化 - ❌
[f(x) for x in arr]、list(map(np.sqrt, arr))—— 仍是 Python 层循环 - ⚠️
np.vectorize(f)只是语法糖，底层还是循环，别当真向量
广播（broadcasting）不报错，但容易悄悄变慢
广播本身不引入额外计算，但若触发隐式复制（如 (1000, 1) 和 (1, 2000) 相加），会临时分配 (1000, 2000) 大小的内存，OOM 或卡顿就来了。
- 检查形状：用
arr.shape确认是否真“免复制” - 避免
arr[:, np.newaxis] + other_arr[np.newaxis, :]这类显式升维再广播，改用np.outer()或einsum - 小数组广播没问题，大数组建议先
reshape再运算，别依赖自动广播猜意图
为什么 np.where() 比布尔索引快？
不是绝对更快，而是更可控——布尔索引会先生成完整 bool 数组（占内存），而 np.where(condition, a, b) 可以流式计算，尤其配合 out= 参数时能复用内存。
立即学习“Python免费学习笔记（深入）”；
- ❌
arr[arr > 0.5] = 1：先建一个可能很大的bool数组，再索引赋值 - ✅
np.where(arr > 0.5, 1, arr, out=arr)：条件判断和写入一步到位，无中间bool缓冲 - 注意：
np.where三参数模式返回新数组，除非显式传out=，否则没省内存
实际写的时候，最常被忽略的是：你以为在向量化，其实只是把 for 换成了 np.vectorize，或者靠广播硬撑大维度却没看内存占用。向量化真正的门槛不在写法，而在能不能把逻辑重构成 ufunc 友好的形式。
