np.vectorize不是真正的向量化，因为它底层仍用Python循环调用函数，未触发NumPy的C级优化；真正提速需依赖广播机制、内置元素级函数及布尔索引等原生向量化手段。
为什么np.vectorize不是真正的向量化
很多人看到np.vectorize就以为能加速，结果发现比原生for循环还慢。它只是个语法糖，底层仍是Python循环调用函数，不触发NumPy的C级优化。真正提速靠的是直接用NumPy内置的广播和元素级运算函数。
- 用
np.vectorize包装自定义函数，适合快速原型，但别用于性能敏感路径 - 优先查文档找对应内置函数：比如求平方用
arr ** 2而非np.vectorize(lambda x: x**2) - 复杂逻辑无法一步写出时，先尝试
np.where、np.select或布尔索引，它们都原生支持向量化
用布尔索引替代条件for循环
遍历数组做条件赋值（如“大于0则取对数，否则置0”）是最常见低效场景。用布尔掩码+高级索引，既清晰又快得多。
- 错误写法：
for i in range(len(arr)): if arr[i] > 0: result[i] = np.log(arr[i]) - 正确写法：
mask = arr > 0; result = np.zeros_like(arr); result[mask] = np.log(arr[mask]) - 注意
np.log在非正数上会返回nan或警告，用mask提前过滤比用np.where更可控 - 避免链式赋值：
result[arr > 0] = np.log(arr[arr > 0])会计算两次布尔索引，稍慢
广播机制如何避免嵌套for循环
两层循环遍历两个数组做外积、距离计算等，90%能用广播+reshape解决。关键在于理解维度对齐规则，而不是硬凑np.meshgrid。
- 例如计算向量
a（长度M）和b（长度N）所有组合的差：a[:, None] - b[None, :]生成(M, N)矩阵 -
None等价于np.newaxis，比reshape(-1, 1)更直观 - 广播不复制内存，但结果数组大小仍为M×N；内存受限时考虑分块计算或用
scipy.spatial.distance.cdist - 警惕隐式广播导致的意外形状：用
arr.shape随时检查，尤其在叠加多个轴操作后
何时必须保留for循环
不是所有循环都能/应该被替代。强行向量化反而让代码难懂、内存暴涨，甚至出错。
立即学习“Python免费学习笔记（深入）”；
- 迭代依赖前一次结果（如累积和、状态机）——用
np.cumsum等专用函数，别自己写向量化版 - 数组元素类型混杂（如含字典、对象）——NumPy不支持，老实用
for+list.append - 外部API调用（如逐行发HTTP请求）——GIL限制下，向量化毫无意义，该用
concurrent.futures就用 - 小数组（
真正卡顿的地方往往不在循环本身，而在没做预分配、重复创建临时数组、或误用np.append这类O(n²)操作。先profile，再决定动哪一行。
