如何高效使用NumPy数组？AoC灯笼鱼模拟性能问题咨询

你的代码慢完全是错误使用NumPy导致的，核心问题有三个：

• NumPy数组是连续内存存储的固定长度结构，和原生Python列表支持O(1)摊销追加的动态结构完全不同。循环里反复调用np.append时，每次都会重新申请整块新内存，把原数组的所有元素全量拷贝到新内存后再追加新值，单次追加的时间复杂度是O(n)。随着鱼的数量指数级增长，拷贝开销会直接爆炸。
• 你用Python层的for循环逐元素遍历NumPy数组，完全废掉了NumPy的向量化加速优势。逐次从NumPy的C层内存取出单个元素、转换为Python对象做判断和运算的跨层开销，比直接遍历Python列表的成本还高。
• 整体算法的时间复杂度是O(N²)：N是总鱼数，随天数指数增长，逐鱼遍历的成本是O(N)，每次循环里的追加拷贝成本也是O(N)，二者相乘后天数稍微大一点耗时就会涨到无法接受的程度。

额外提一句：你贴的代码里还有个显性bug，iterate_through_one_day函数返回的new_lantern_fish_array从未定义，运行时会直接抛出NameError，属于笔误。

• 只要看到在Python层写for/while循环逐元素操作NumPy数组、或是在循环里反复调用np.append/np.vstack/np.concatenate动态修改NumPy数组长度，基本都是性能反模式，这种写法的速度往往比纯Python列表更慢。
• NumPy的性能优势来自C层的批量向量化运算，使用时要尽量把逻辑转化为整组数据的批量操作，避免在Python解释器层处理单个元素。
• 如果场景需要频繁动态增删元素、逐元素做复杂分支判断，优先用原生Python列表实现，等数据完全固定后再转NumPy做后续批量计算。
• 遇到类似种群模拟、状态计数的场景，优先考虑分桶计数思路，不要模拟每个个体——比如这道题里鱼的年龄只有0-8共9种状态，只需要维护每个年龄的鱼的数量，根本不需要存每一条鱼的信息，复杂度直接从指数级降到和天数线性相关。

基于分桶+NumPy向量化的实现，跑256天的耗时在毫秒级，不会随种群规模增长劣化：

import numpy as np

def iterate_one_day(count_bins):
    spawn_num = count_bins[0]
    # 所有鱼年龄-1，对应计数桶整体左移一位
    count_bins = np.roll(count_bins, -1)
    # 刚产卵的鱼年龄重置为6，新出生的鱼默认落在年龄8的位置
    count_bins[6] += spawn_num
    return count_bins

def solve(initial_fish_array, total_days=256):
    # 初始化0-8岁的鱼的计数桶
    age_counts = np.bincount(initial_fish_array, minlength=9).astype(np.int64)
    for _ in range(total_days):
        age_counts = iterate_one_day(age_counts)
    return age_counts.sum()

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