为何np.pad在数组前向填充场景下比concatenate或赋值慢得多？

我需要将n个长度可变（均小于500）的整数数组转换为尺寸为(n, 500)的矩阵，长度不足500的数组需在前方填充指定常量。测试后发现专门用于填充的np.pad相比其他方法速度极慢，甚至比自定义赋值方法慢10倍。以下是基准测试代码及结果：

import random
import time

import numpy as np


def pad(arr):
    retval = np.empty((500,), dtype=np.int64)
    idx = 500 - len(arr)
    retval[:idx] = 100001  # pad value
    retval[idx:] = arr  # original array
    return retval


a = [np.random.randint(low=0, high=100000, size=(random.randint(5, 500),), dtype=np.int64) for _ in range(32)]

# approach 1: np.pad
t = time.time()
for _ in range(10000):
    b = np.array([np.pad(cur, pad_width=(500 - len(cur), 0), mode='constant', constant_values=100001) for cur in a])
print(time.time() - t)

# approach 2: np.concatenate
t = time.time()
for _ in range(10000):
    b = np.array([np.concatenate((np.full((500 - len(cur),), 100001), cur)) for cur in a])
print(time.time() - t)

# approach 3: assign to an empty array
t = time.time()
for _ in range(10000):
    b = np.array([pad(cur) for cur in a])
print(time.time() - t)

b1 = np.array([np.pad(cur, pad_width=(500 - len(cur), 0), mode='constant', constant_values=100001) for cur in a])
b2 = np.array([np.concatenate((np.full((500 - len(cur),), 100001), cur)) for cur in a])
b3 = np.array([pad(cur) for cur in a])
print(np.allclose(b1, b2))
print(np.allclose(b1, b3))
print(np.allclose(b2, b3))

测试输出：

5.376873016357422
1.297654151916504
0.5892848968505859
True
True
True

性能差异的核心原因 #

• 通用性带来的冗余开销：np.pad是一个通用型填充函数，支持边缘复制、镜像、线性插值等十几种填充模式，还能处理多维数组的多维度差异化填充。为了适配这些复杂场景，它内部会执行大量参数校验、模式分支判断、维度映射逻辑——这些步骤在你的"前置常量填充"简单场景下完全是冗余的，直接拉高了单次调用的时间成本。

• 内存操作效率差距：自定义pad函数直接创建目标尺寸的空数组，通过切片赋值一次性完成常量填充和原数组拷贝，内存操作紧凑且直接。而np.pad内部可能涉及多次临时数组创建、多步骤内存拷贝，或者为兼容通用场景设计的非最优内存操作路径，效率远低于直接切片赋值。

• 单函数调用的额外损耗：即便都是逐行处理，np.pad的内部实现包含更多函数嵌套、边界检查逻辑，这些微小的损耗在十万次循环中被放大，最终形成数倍甚至十倍的性能差距。

内容的提问来源于stack exchange，提问作者seermer