循环中用 np.append 或 list.append + np.array 会慢，因每次调用均需复制全部数据，时间复杂度 O(n²)；预分配应先确定长度、显式指定 dtype、用索引赋值，避免隐式转换与越界。
为什么循环中用 np.append 或 list.append + np.array 会慢
因为每次调用 np.append 都会创建一个全新数组，把旧数据复制过去再追加新元素——时间复杂度是 O(n²)，数据量一过万就明显卡顿。用 Python 列表累积再转 np.array 看似省事，但最后那一次转换仍要拷贝全部数据，且列表本身在内存中不连续，无法直接被 NumPy 向量化操作利用。
预先分配 np.zeros（或 np.empty）怎么写才对
关键不是“用了 np.zeros”就行，而是形状必须提前确定、索引赋值不能越界、避免隐式类型转换拖慢速度。
- 先算出最终长度（比如循环前遍历一遍源数据，或从输入参数推导），再调用
np.zeros(n, dtype=float)—— 显式指定dtype比默认更稳 - 用整数索引逐个赋值：
arr[i] = value，别用arr = np.append(arr, value) - 如果中间有跳过逻辑（如条件过滤），改用布尔掩码或预分配后用
arr[:k]截取有效段，而不是边跑边判断长度 -
np.empty比np.zeros略快（不初始化内存），但务必确保所有位置都被显式赋值，否则残留垃圾值会导致计算错误
遇到动态长度怎么办：分两步策略
真没法预知长度时，不要硬扛，用“估算+扩容”折中法比纯动态拼接强得多。
- 按经验预估一个上限（比如
max_len = len(inputs) * 2），分配np.empty(max_len) - 循环中用计数器
k记录已填数量，arr[k] = x; k += 1 - 循环结束，用
arr[:k]得到真实结果——这一步是视图切片，零拷贝 - 如果估算偏差大（比如实际只用了 10%，而预估占了 200%），再考虑用
np.resize缩容，但注意它会修改原数组，且不可逆
常见翻车点：dtype 不一致导致隐式转换
哪怕你写了 np.zeros(n, dtype=int)，只要循环里赋了一个浮点数，整个数组就会悄悄升格成 float64，不仅多占内存，还可能让后续的整数位运算失效。
立即学习“Python免费学习笔记（深入）”；
- 检查所有赋值表达式的结果类型，必要时强制转换：
arr[i] = int(x)或arr[i] = np.int32(x) - 用
arr.dtype在循环前后打印确认，别假设它没变 - 如果源数据类型混杂，先统一处理（比如用
np.asarray(inputs, dtype=np.float32)归一化），再进主循环
最麻烦的不是不会预分配，而是预分配了却在循环里偷偷触发副本操作——比如用 arr[i:j] = some_list 赋值切片时，右侧长度不对；或者误把 arr[i] 当成了可扩展容器。盯住每一次赋值的左右两侧类型和形状，比优化算法本身更容易见效。
