Python函数调用开销主要来自栈帧创建，而非计算本身；规避方法是内联、向量化或Cython：删函数定义直接展开表达式，或用np.vectorize/Cython cdef inline避免Python层调度。
Python函数调用开销无法绕过，但能有效规避——关键不是“优化调用”，而是“不调用”。
为什么 taxicab_distance 会吃掉 62 秒？
你看到的不是算法慢，是 Python 解释器在反复创建栈帧：每次 taxicab_distance(u, v) 被调用，都要分配帧对象、压栈、查局部变量、执行、弹栈。对 1200 万次调用来说，这比计算本身还重。
尤其当函数体只有 np.abs(u[0] - v[0]) + np.abs(u[1] - v[1]) 这种两行表达式时，栈帧开销远超计算开销。
- 它被嵌在
agent.calc → squaregrid.distance → taxicab_distance链中，三层调用 = 三倍帧开销 -
u和v是numpy.ndarray，但np.abs是 C 实现，快；瓶颈纯在 Python 层调度 -
lru_cache对这种参数几乎不重复的场景无效，反而增加哈希和字典查找
直接内联：把函数体写进调用点
最简单有效的办法，就是删掉函数定义，把逻辑粘贴到它被调用的地方。别担心“破坏封装”，高频小计算不值得抽象。
立即学习“Python免费学习笔记（深入）”；
比如原来：
def choose_max_distance_to(self, robot, target):
candidates = self.neighbours(robot) + [robot]
return max(candidates, key=lambda r: taxicab_distance(r, target))
改成：
def choose_max_distance_to(self, robot, target):
candidates = self.neighbours(robot) + [robot]
def _dist(u, v):
return np.abs(u[0] - v[0]) + np.abs(u[1] - v[1])
return max(candidates, key=lambda r: _dist(r, target))
更进一步，直接展开：
def choose_max_distance_to(self, robot, target):
candidates = self.neighbours(robot) + [robot]
return max(candidates, key=lambda r: np.abs(r[0] - target[0]) + np.abs(r[1] - target[1]))
- 去掉命名函数调用，避免全局名查找 + 栈帧创建
-
lambda仍建函数对象，但比命名函数少一层作用域查找 - 如果
candidates是 numpy 数组，考虑用向量化：np.abs(candidates[:, 0] - target[0]) + np.abs(candidates[:, 1] - target[1])，一次性算完
用 cdef 写 Cython 内联函数
当内联后仍不够快（比如你后续要加更多距离逻辑），就该切到 Cython。注意：必须用 cdef inline，不是 def。
在 distance.pyx 中写：
cdef inline double taxicab_dist(double x1, double y1, double x2, double y2):
return abs(x1 - x2) + abs(y1 - y2)
然后在 Python 中调用：
from distance cimport taxicab_dist <h1>注意：传标量，不是 array</h1><p>score = taxicab_dist(robot[0], robot[1], target[0], target[1])
-
cdef inline函数编译为纯 C 函数，调用不进 Python 栈，无帧开销 - 不能传
numpy.ndarray直接进去，需先解包为float或double；否则又触发 Python 对象转换 - 若需批量计算，改用
np.vectorize包裹或直接写 NumPy 向量化逻辑，别走 Python 循环
闭包里缓存局部引用能省一点，但别指望太多
如果你必须保留函数结构（比如多个距离函数共用一套签名），可以靠闭包减少运行时查找：
import numpy as np <h1>把 np.abs 提前绑定，避免每次进函数都查 global np</h1><p>def make_taxicab(): _abs = np.abs def dist(u, v): return _abs(u[0] - v[0]) + _abs(u[1] - v[1]) return dist</p><p>taxicab_distance = make_taxicab()
- 这能省掉两次全局变量查找（
np.abs），但栈帧照常创建，收益有限（约 5–10%） - 只在函数体稍复杂、且无法内联时考虑；对单行表达式，不如直接展开
- 别用
functools.partial替代，它只是包装器，额外多一层调用
真正卡性能的从来不是“怎么调得更快”，而是“能不能不调”。栈帧机制是 CPython 的硬约束，所有装饰器、缓存、优化技巧都绕不开这点——能提前展开就别封装，能向量化就别循环，能 C 层算就别留 Python 层。
