为何np.vectorize封装的函数执行次数多于传入元素数量？——以单元素列表调用场景为例

这其实是np.vectorize一个容易踩的小坑——它会自动检测函数返回值的数据类型（dtype），而检测的方式就是先用输入的第一个元素调用一次你的函数。

具体到你的场景：
当你调用np.vectorize(f)(["input"])时，因为没有手动指定otypes参数，np.vectorize会先拿输入列表里的"input"调用一次f，目的是根据返回值推断最终要生成的numpy数组的dtype；完成类型推断后，它才会真正遍历输入的所有元素（这里只有一个"input"），再调用一次f。所以你会看到两次hi input的输出。

要解决这个问题，只需要在创建vectorized函数时手动指定otypes参数，告诉np.vectorize返回值的类型，这样它就不会额外调用一次函数来检测类型了：

import numpy as np
def f(x):
    print(f"hi {x}")
    return x

# 指定返回类型为字符串
vectorized_f = np.vectorize(f, otypes=[np.str_])
print(vectorized_f(["input"]))

执行这段代码的输出就会和你的预期一致：

hi input
['input']

另外补充一点：np.vectorize并不是真正的向量化实现（底层还是逐元素循环），它更多是为了让原本处理单个元素的函数能适配数组输入的语法糖。如果追求性能，建议直接用numpy的原生向量化操作，而不是依赖np.vectorize。

内容的提问来源于stack exchange，提问作者zabop