NumPy向量化替代Python循环可提升性能几十至百倍，应优先使用内置函数、广播机制、布尔索引及原生方法，避免嵌套Python对象和显式循环。
用 NumPy 向量化代替 Python 循环，是加速数组运算最直接有效的方式。核心在于让底层 C 实现的批量操作替代解释器逐元素执行的循环，性能提升常达几十到上百倍。
避免 for 循环，改用内置向量化函数
NumPy 大多数数学函数（如 np.sin、np.log、np.exp）和比较操作（==、>）天然支持数组输入，自动广播并返回同形结果。
- ❌ 慢：用 Python 循环逐个计算
- ✅ 快：直接传整个数组，例如 np.sqrt(arr) 或 arr > 0.5
- 注意：自定义逻辑可先写成纯 NumPy 表达式，再考虑 np.vectorize（仅语法糖，不提速）或用 np.where、np.select 替代条件分支
善用广播机制，减少显式复制
广播让不同形状的数组能自动对齐参与运算，避免手动 tile/expand，既省内存又提速度。
- 例如：(m, n) 矩阵 + (n,) 向量 → 自动按行广播；(m, 1) 列向量 + (n,) 行向量 → 生成 (m, n) 结果
- 检查是否广播可行：两数组从尾轴开始比对，尺寸相等或其中为 1 即可
- 若需强制扩展维度，用 arr[:, None] 或 arr.reshape(-1, 1)，比 np.tile 更轻量
用布尔索引替代循环筛选
提取满足条件的元素、赋值或统计，全部交给 NumPy 的布尔数组索引完成。
立即学习“Python免费学习笔记（深入）”；
- ❌ 慢：[x for x in arr if x > 0] 或循环标记
- ✅ 快：arr[arr > 0] 取值，arr[arr 原地修改，np.sum(arr > 0.5) 计数
- 组合条件用 &（且）、|（或）、~（非），注意括号： (arr > 1) & (arr
优先使用原生方法，慎用 Python 对象嵌套
保持数据在 NumPy 数组中流转，避免转成 list、dict 或调用 Python 函数处理每个元素。
- 聚合运算用 .sum()、.mean()、.max() 等方法，而非 sum(list(arr))
- 避免 np.array([func(x) for x in arr])，尽量把 func 向量化（如用 np.piecewise 或分段表达式）
- 若必须调用黑盒函数，考虑 numba.jit 加速或用 np.frompyfunc（仅当无法向量化时）
不复杂但容易忽略。关键不是“写得像 NumPy”，而是“想得像 NumPy”——把操作看作整体变换，而不是逐个处理。
