为何NumPy判断数组全零时a.any()性能比(array==0).all()更慢？

检测numpy数组是否全为0时，按照已有经验not array.any()本该是内存效率、运行速度最优的实现，但在随机浮点数组的测试中，其速度甚至慢于(array == 0).all()，测试代码与结果如下：

np.random.seed(100)
a = np.random.rand(10418*144)

%timeit (a == 0)
%timeit (a == 0).all()
%timeit a.astype(bool)
%timeit a.any()
%timeit not a.any()

# 711 µs ± 192 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)
# 740 µs ± 1.38 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
# 1.69 ms ± 587 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)
# 1.71 ms ± 1.31 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
# 1.71 ms ± 2.05 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

性能差异核心原因 #

• 测试用例触发了最优比较路径：np.random.rand生成的是[0.0, 1.0)区间的双精度浮点数组，当前测试规模下出现精确0.0的概率无限趋近于0，所有元素均为非零值。(a == 0)是逻辑极简单的逐元素相等比较，numpy底层针对该操作做了深度SIMD向量化优化，单条CPU指令可同时处理8~16个双精度浮点数的对比，配合连续内存访问，执行吞吐量拉满，全程无多余分支。
• 浮点通用布尔判断存在额外开销：a.any()、a.astype(bool)走的是浮点数转布尔的通用逻辑，除了判断元素是否等于0.0，还要兼容IEEE754浮点数标准的特殊值规则：NaN、正负无穷、非零有限值都要判定为真，只有精确的±0.0判定为假。这套逻辑分支更多，SIMD优化难度远高于单纯的相等比较，额外的特殊值检查直接把耗时拉高1倍以上。测试中not a.any()和a.any()耗时几乎完全一致，也能佐证not只是Python层面的单布尔值取反，开销可忽略，性能瓶颈完全在浮点非零判断本身。
• 旧结论存在适用前提：早期帖子提到not array.any()性能更优，结论主要针对整数数组、老版本numpy场景：整数不存在NaN/无穷这类特殊值，非零判断逻辑和相等判断一样简单，且当时any()可以做到无中间数组边遍历边短路归约，内存和速度优势明显。但在新版本numpy中，比较+归约的操作融合优化已经非常成熟，(a == 0).all()不会真的把完整的中间布尔数组写回内存，额外内存开销已经和a.any()拉平，再加上浮点相等比较路径的优化倾斜，就出现了测试中的速度反转。

验证提示：如果把测试数组换成整数数组，或者手动在数组靠前位置插入0/非0值触发短路逻辑，就能观测到a.any()的性能反超，和早期结论对齐。

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