为何Numba字典查找速度比CPython慢16倍？

我做了如下简单实验：

import numba
import numpy as np
from numba import njit

@njit
def foo():
    d = dict()
    d[(1.0, 2)] = np.random.rand(500)
    return d

e = dict()
e[(1.0, 2)] = np.random.rand(500)
d = foo()

e和d均为仅含一个键的字典，性能测试结果如下：

In [42]: %timeit e[(1.0, 2)][3]
123 ns ± 2.86 ns per loop (mean ± std. dev. of 7 runs, 10,000,000 loops each)

In [43]: %timeit d[(1.0, 2)][3]
1.99 µs ± 50.3 ns per loop (mean ± std. dev. of 7 runs, 1,000,000 loops each)

使用的Numba版本为0.56.4，为什么Numba生成的字典查找速度慢了16倍？

出现这种性能差距主要源于以下几点核心原因：

• 字典实现的优化程度差异：Python原生字典是解释器的核心组件，经过数十年的极致优化，针对常见键类型（如元组）的哈希计算、冲突处理、内存布局都做了专门调校。而Numba的JIT字典是为适配编译环境独立实现的结构，在哈希效率、键匹配逻辑上远不如原生字典，尤其对于异构类型元组（比如示例中float+int的组合），Numba需要额外进行类型校验与转换，进一步拉高了开销。

• 跨边界转换的额外开销：从Python解释器访问Numba生成的字典时，需要完成两次跨边界转换：一是把Python的元组键转换为Numba内部可识别的类型，二是把查找返回的NumPy数组从Numba内部存储转换为Python可见的对象。这两次转换的开销在单次查找耗时极短的场景下，占比会非常高，直接放大了性能差距。

• 旧版本的特性限制：你使用的Numba 0.56.4是较早期的版本，后续版本（如0.59及以上）对字典性能做了不少优化，包括哈希函数改进、减少类型转换开销等。但即便如此，Numba字典在单键查找这类场景下，也很难追上原生Python字典的优化水平——毕竟原生字典的优化优先级和资源投入远高于Numba的字典实现。

如果你的场景对字典查找性能敏感，可尝试以下优化方向：

1. 尽量将字典的操作逻辑都放在Numba JIT函数内部完成，避免在Python层频繁访问；
2. 改用更适配Numba的键类型（如同构元组、整数），减少类型转换的开销；
3. 升级到较新的Numba版本，享受官方的性能优化成果。

内容的提问来源于stack exchange，提问作者Simd