Bottleneck对非数值数据无效，因其底层用C和Cython直接操作原始数值字节，仅支持浮点或整数dtype的np.ndarray；不支持object、bool（仅隐式转数值）、结构化数组等类型，遇之报错或返回无意义结果。
Bottleneck 库根本不能加速非数值计算——它专为数值聚合优化设计，所有函数都要求输入是 np.ndarray 且 dtype 为浮点或整数；传入字符串、对象数组、布尔值（除非做数值解释）或自定义类，会直接报错或返回无意义结果。
为什么 bottleneck 对非数值数据无效
Bottleneck 的底层用 C 和 Cython 实现，绕过 NumPy 的通用 ufunc 机制，直接操作内存中的原始数值字节。它不支持：
-
np.object_类型：遇到字符串、列表、None等会触发TypeError: data type not supported -
np.bool_：虽能运行（因布尔在内存中是字节），但bn.nansum(arr)会把True当 1、False当 0，这不是“布尔逻辑计算”，而是隐式数值转换 - 结构化数组（structured array）：
bn.nanmax()等函数不识别字段名，直接崩溃
哪些 NumPy 操作被误认为“非数值”但其实能用 Bottleneck
用户常把以下场景当作“非数值”，实际它们本质仍是数值聚合，Bottleneck 完全适用：
- 处理含
np.nan的浮点数组：如bn.nanmean(x)比np.nanmean(x)快 2–5 倍（尤其大数组） - 对整数数组求滑动窗口统计：如
bn.move_mean(x, window=5)，比scipy.ndimage.uniform_filter1d更轻量 - 布尔数组转为 0/1 后聚合：先
x.astype(int)，再用bn.nansum()替代np.sum()（跳过 NaN）
替代方案：真·非数值计算该用什么
若你确实要加速字符串拼接、字典合并、JSON 解析、正则匹配等操作，Bottleneck 不是解法。应考虑：
立即学习“Python免费学习笔记（深入）”；
- 字符串向量化：用
pandas.Series.str方法（底层基于libcudf或arrow加速），而非自己写循环 - 条件逻辑聚合：用
np.where()+bn.nanmean()组合，例如bn.nanmean(np.where(mask, x, np.nan)) - 自定义对象处理：改用
numba.jit编译带 Python 对象交互的函数，或提前序列化为数值 ID（如用pandas.Categorical.codes）
真正容易被忽略的是：Bottleneck 的加速收益高度依赖数组大小和维度——小数组（axis 参数容易得到意外结果。
