为何Numba切片操作比Numpy切片操作快这么多？

架构老林

2026-7-16

Numba与Numpy切片操作的性能对比测试

我发现Numba切片操作比Numpy切片操作快很多，以下是测试过程：

def test(x):
    k = x[1:2]
    l = x[0:3]
    m = x[0:1]
    
@njit
def test2(x):
    k = x[1:2]
    l = x[0:3]
    m = x[0:1]

x = np.arange(5)    

test2(x)

%timeit test(x)
%timeit test2(x)

计时结果：

776 ns ± 1.83 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
280 ns ± 2.53 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

随着切片次数增加，两者的性能差距进一步扩大：

def test(x):
    k = x[1:2]
    l = x[0:3]
    m = x[0:1]
    n = x[1:3]
    o = x[2:3]
    
@njit
def test2(x):
    k = x[1:2]
    l = x[0:3]
    m = x[0:1]
    n = x[1:3]
    o = x[2:3]
    
test2(x)

%timeit test(x)
%timeit test2(x)

计时结果：

1.18 µs ± 1.82 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
279 ns ± 0.562 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

Numpy函数的耗时随切片次数线性增长，而Numba函数的耗时几乎不受切片次数影响（原本我以为两者都会是这样的表现）

编辑补充测试

在看到chrslg的回答后，我给两个函数都添加了返回语句：

return k,l,m,n,o

此时的计时结果为：

1.23 µs ± 2 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
1.61 µs ± 9.6 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

此时Numba函数反而更慢了，这似乎说明之前的代码是无效代码。不过在看到用户jared的评论后，我尝试对切片结果执行乘积操作：

def test5(x):
    k = x[1:2]
    l = x[0:3]
    m = x[0:1]
    n = x[1:4]
    o = x[2:3]
    return (k*l*m*n*o)
    
@njit
def test6(x):
    k = x[1:2]
    l = x[0:3]
    m = x[0:1]
    n = x[1:4]
    o = x[2:3]
    return (k*l*m*n*o)
    
test6(x)

%timeit test5(x)
%timeit test6(x)

计时结果：