@njit报错“cannot determine Numba type”是因为其nopython模式不支持dict、list、pd.Series等Python对象，需剥离纯数值计算并显式声明类型、禁用Python调用、预处理非数值数据。
为什么 @njit 会报错“cannot determine Numba type of …”？
这是配置 Numba 加速最常卡住的地方：Numba 默认不支持任意 Python 对象（比如 dict、list、pd.Series、自定义类），一旦函数里用了这些，@njit 就直接失败。复杂统计指标往往依赖 pandas 的分组、滚动、缺失值处理逻辑，而这些在 Numba 编译期无法推导类型。
解决思路不是“绕开”，而是“剥离”：把可加速的纯数值计算部分单独拎出来，用 numpy.ndarray 输入，禁用 Python 模式（即强制 nopython=True）；其余逻辑（如分组索引、NaN 填充、结果对齐）留在 Python 层做。
- 必须显式声明参数类型，例如
@njit("float64(float64[:], int64)")，不能只写@njit - 避免所有
print()、len()（改用.shape[0]）、range()（改用np.arange()）等隐式 Python 调用 - 字符串、时间戳、分类变量需提前转为整数编码（如用
pd.Categorical.codes）再传入
如何让 Numba 处理带条件分支和动态窗口的统计逻辑？
Numba 支持 if/for 和基本数组切片，但不支持 df.rolling().apply(...) 这类高阶抽象。你需要把“窗口内加权标准差”或“跳过空值的分位数”这类逻辑，手动展开成循环+累积变量。
例如实现一个跳过 NaN 的滑动中位数近似（因 Numba 不支持内置 np.median）：
立即学习“Python免费学习笔记（深入）”；
@njit("float64[:](float64[:], int64)")
def rolling_nanmedian(x, window):
n = x.shape[0]
out = np.full(n, np.nan)
for i in range(window - 1, n):
win_vals = x[i - window + 1:i + 1]
valid = win_vals[~np.isnan(win_vals)]
if len(valid) > 0:
# 简单排序取中位（仅用于说明；生产环境建议用快速选择）
sorted_valid = np.sort(valid)
out[i] = sorted_valid[len(sorted_valid) // 2]
return out
- 窗口大小必须是编译期已知常量或
int64类型参数，不能是float或 Pythonlist - 所有中间数组（如
valid）必须用np.array(..., dtype=np.float64)显式指定类型 - 避免
np.append()、np.concatenate()—— 它们在 nopython 模式下不可用
怎样对接 pandas 分组计算并保持结果结构不变？
Numba 函数本身不认 groupby，但你可以用 np.split() + np.argsort() 把分组后的数值数组切好，再批量调用 njit 函数。
典型流程：
- 用
df.groupby("sector").apply(lambda g: g["value"].values)提取每组的numpy.ndarray - 用
df.groupby("sector").cumcount()或df.groupby("sector").ngroup()获取分组边界索引 - 把所有组拼成一个长数组，用
np.split(long_array, split_indices)拆回各组 - 对每个子数组调用 njit 函数，再用
np.concatenate()合并结果（注意：合并操作在 Python 层，不在 njit 内）
关键点：Numba 只负责“每组内部计算”，分组逻辑、索引对齐、列名保留全部由 pandas 完成。别试图让 njit 返回 pd.Series —— 它不认识。
为什么开了 @njit(cache=True) 第二次运行还是慢？
cache=True 只缓存编译后的机器码，前提是函数签名完全一致：相同参数类型、相同数组维度、相同常量值（比如 window=20 和 window=30 是两个不同签名）。如果你的统计函数接受 window 参数，每次换窗口大小都会触发重新编译。
更隐蔽的问题是“隐式类型变化”：比如输入数组有时是 float32、有时是 float64，Numba 会视为两个不同函数，缓存不命中。
- 统一输入 dtype：用
arr.astype(np.float64, copy=False)强制转换 - 对常用窗口大小，手动预热：调用一次
your_func(arr, 20)和your_func(arr, 30)，让 cache 生效 - 避免在 njit 函数里读文件、查数据库、调用
time.time()—— 这些会让 Numba 回退到 object 模式，彻底失去加速效果
真正复杂的指标（比如多层嵌套条件 + 动态权重 + 非均匀时间窗口）往往需要拆成 3–4 个独立 njit 函数流水线调用，而不是塞进一个大函数里 —— Numba 的编译瓶颈常出现在控制流太深或类型路径太多时。
