Python手动求和、内置sum与numpy.sum性能差异探究

你的测试结果看似反直觉，但其实是不同实现的迭代开销和numpy的适用场景导致的，具体原因如下：

1. 为什么with_sum比basic慢？ #

内置sum确实是C实现，但你传入的是生成器表达式(1/i for i in range(1, n+1))。生成器每次迭代都需要在Python层面执行1/i的计算，还要调用生成器的__next__方法，这些额外的Python层面操作开销，抵消了sum本身的C级求和优势。

而basic里的纯Python for循环，虽然是Python字节码执行，但操作非常简单：每次循环直接计算1/i并累加，没有生成器迭代的额外调用开销，整体效率反而更高。

2. 为什么with_numpy_sum最慢？ #

numpy的np.sum的性能优势完全建立在处理numpy数组的向量化运算上，而你传入的是Python生成器。此时numpy无法发挥向量化的优势，反而需要逐个迭代生成器的元素，还要频繁在Python浮点数和numpy内部数值类型之间做转换，加上numpy函数本身的初始化开销，导致整体速度比纯Python循环还慢。

如果要让numpy发挥优势，应该先创建numpy数组再做运算，比如：

import numpy as np
import math

def optimized_numpy_sum(n):
    arr = np.arange(1, n+1, dtype=np.float64)
    s = np.sum(1 / arr)
    return s - math.log(n) - 0.577215664901532861

这个版本利用numpy的向量化C循环，会比basic快得多。

总结 #

• 内置sum的C优势体现在处理已有的序列（比如列表），面对生成器时，迭代开销会拖慢速度；
• numpy的优化只针对数组的批量操作，不要用它处理Python迭代器/生成器；
• 纯Python循环在这种简单、无额外开销的场景下，反而能获得不错的性能。

内容的提问来源于stack exchange，提问作者MathTolliob