np.vectorize本质是语法糖，仅提供数组接口但底层仍为Python循环，无法提升性能；真正加速需依赖NumPy原生运算，其适用场景限于原型验证或逻辑复杂暂难向量化的函数。
vectorize 本质是语法糖，不是真正的向量化
np.vectorize 不会提升性能，它只是把 Python 函数包装成支持数组输入的接口，底层仍是 Python 循环。如果你指望它加速 for 循环，结果往往更慢——尤其是对小数组或简单计算。真正提速得靠原生 NumPy 运算（如 +、np.sin、布尔索引）。
它的实际价值在于快速原型验证、调试，或封装逻辑复杂、暂时无法用纯 NumPy 重写的函数（比如含 if/elif 分支、查字典、调外部 API 的逻辑）。
- 别在性能关键路径中用
np.vectorize，先尝试np.where、np.select或布尔掩码 - 如果必须用，确保传入的是
ndarray而非list，否则额外转换开销明显 - 默认输出 dtype 是
object，记得用otypes显式指定（如otypes=[float]），否则后续计算可能出错
正确传参：otypes 和 excluded 必须按需设置
不设 otypes 时，np.vectorize 会试运行函数并推断返回类型，但容易失败（比如函数返回 None 或混合类型）。更糟的是，推断出 object 后，数组失去数值运算能力。
excluded 用于标记“不被向量化”的参数，通常是标量控制参数（如阈值、模式开关），避免它们被错误地广播。
立即学习“Python免费学习笔记（深入）”；
- 必须写
otypes：例如np.vectorize(my_func, otypes=[float]) - 多个返回类型用元组：
otypes=(int, float)（对应函数返回两个值） - 排除关键字参数要写字符串名：
excluded=['axis', 'method'] - 排除位置参数用整数索引：
excluded=[1]表示第二个参数不参与向量化
常见报错：TypeError: only size-1 arrays can be converted to Python scalars
这个错误通常出现在你试图把一个 NumPy 数组直接喂给只接受标量的 Python 函数（比如 math.sqrt、int()、str.format()），而你又没用 np.vectorize 包装——或者虽然用了，但忘了加 otypes 导致内部调用失败。
典型翻车现场：
import math f = np.vectorize(math.sqrt) # ❌ 没有 otypes，推断失败 f(np.array([4, 9, 16])) # 报错
修复方式：
f = np.vectorize(math.sqrt, otypes=[float]) f(np.array([4, 9, 16])) # ✅ 返回 array([2., 3., 4.])
- 优先换用 NumPy 版本：
np.sqrt、np.int_、np.string_等，它们天生向量化 - 若必须用
math模块函数，务必配otypes - 自定义函数里避免隐式转标量操作（如
arr[0]、len(arr)），这些在 vectorize 下会崩
替代方案比 vectorize 更可靠
多数场景下，np.vectorize 是“能跑就行”的权宜之计。更健壮的做法是：
- 用
np.where实现条件分支：np.where(x > 0, x**2, -x) - 用
np.select处理多路分支，比嵌套np.where清晰 - 对字符串操作，用
np.char模块（如np.char.upper、np.char.find） - 真需要逐元素逻辑且无法向量化，考虑
numba.jit编译，速度可接近 C
vectorize 的边界很窄：它适合“一次性胶水代码”，不适合长期维护或性能敏感模块。一旦发现它变慢或行为诡异，第一反应不该是调参，而是重写为 NumPy 原生表达式。
