np.vectorize 不是真正替代循环的好办法，因为它只是语法糖，底层仍为 Python 循环，无编译、并行或 SIMD 优化；真实加速应依赖 NumPy 广播和内置函数。
为什么用 np.vectorize 不是真正替代循环的好办法
很多人第一反应是用 np.vectorize 把函数“向量化”，但它只是语法糖，底层仍是 Python 循环，性能几乎不提升，甚至更慢。它不编译、不并行、不利用 SIMD，纯属方便调试或快速原型。
- 真实加速靠的是 NumPy 原生广播（broadcasting）和内置函数，比如
np.sum、np.where、np.dot -
np.vectorize适合处理无法直接广播的标量逻辑（如自定义分段函数），但必须加cache=True避免重复编译开销 - 若函数含
if/else或异常分支，优先改写为np.where+ 布尔索引，而非依赖np.vectorize
用布尔索引 + np.where 替代 for + if
循环中常见“按条件修改数组元素”，比如把负数置零、对某范围值做缩放——这类操作用布尔索引一行就能完成，且零拷贝、全 C 实现。
arr = np.array([-2, -1, 0, 1, 2])
# ❌ 不要这样
for i in range(len(arr)):
if arr[i] < 0:
arr[i] = 0
<h1>✅ 这样写</h1><p>arr[arr < 0] = 0</p><h1>更复杂逻辑用 np.where</h1><p>arr = np.where(arr < 0, 0, np.where(arr > 1, 1, arr))立即学习“Python免费学习笔记（深入）”；
- 布尔索引
arr 返回布尔数组，直接用于赋值，避免显式循环 -
np.where支持三元操作，嵌套时注意括号层级，避免误写成np.where(cond, a, np.where(...)) - 所有条件表达式都应作用于整个数组，不能混用标量比较（如
arr[i] ）
用 np.einsum 替代多层嵌套点积或求和
当循环涉及张量收缩（比如矩阵乘法变体、批量内积、高维求和），np.einsum 是最接近数学表达的写法，且通常比 np.dot 或 np.matmul 更灵活、更易读。
# 批量向量内积：(N, D) × (N, D) → (N,)
a = np.random.randn(1000, 5)
b = np.random.randn(1000, 5)
# ❌ 循环写法慢且冗长
# res = np.array([np.dot(a[i], b[i]) for i in range(len(a))])
<h1>✅ einsum 一行搞定</h1><p>res = np.einsum('ij,ij->i', a, b)</p><h1>矩阵转置+乘法等价于 np.dot(a.T, b)，但更明确</h1><p>res2 = np.einsum('ji,jk->ik', a, b)- 下标字符串里重复字母表示求和轴，
->后指定输出维度 - 避免在热路径中动态构造下标字符串（如 f'...{i}...'），会触发重新解析，性能下降
- 小数组（einsum 和
dot差距不大；大数组且模式固定时，einsum可开启优化optimize=True
用 np.ufunc 的 accumulate 或 reduceat 替代累积/分组循环
累加、滑动窗口、按索引分组聚合——这些常见模式都有对应 ufunc 方法，比手写循环稳定且快得多。
# 滑动窗口求和（窗口大小 3） x = np.array([1, 2, 3, 4, 5]) # ❌ 手写循环 # res = [sum(x[i:i+3]) for i in range(len(x)-2)] <h1>✅ 用 convolve（本质是卷积，但语义清晰）</h1><p>np.convolve(x, np.ones(3), mode='valid')</p><h1>分组求和：indices = [0, 2, 4] 表示分组边界 [0:2], [2:4], [4:]</h1><p>indices = [0, 2, 4, 5] np.add.reduceat(x, indices[:-1], axis=0)
-
np.add.reduceat要求indices严格递增，且末尾需补一个超出范围的值（如len(arr)）才能覆盖最后一组 -
np.convolve默认 full 模式，用mode='valid'才等效于滑动窗口无填充 - 不是所有 ufunc 都支持
reduceat，只有可结合运算（add、multiply、minimum、maximum）才可用
真正能甩开循环的，从来不是某个函数名，而是理解“数组即数据结构”这个前提——所有操作都该以整块内存为单位思考，而不是把它当成装数字的盒子再一个个掏出来。广播规则、内存连续性、ufunc 的底层实现细节，这些才是决定你写出来的代码是快还是假快的关键。
