Python中无需Numba的轻量级循环与布尔运算加速方案

我需要一套可加速普通for循环、算术运算、布尔运算的实现方案，需满足以下约束：

• 仅支持将np.array()作为参数传入函数，代码逻辑中不允许调用其他np.开头的接口
• 不将Numba作为依赖：Numba安装包体积大、首次编译耗时久，不适合嵌入轻量级库
• 必须为纯Python实现，排除所有C编译扩展类的非纯Python方案

待加速的示例代码片段如下：

A, B, i = 0, 0, 0
while i < 1000:
    if A > 5:
        A += x[i]
        B = min(B, A / 2)
    else:
        A -= x[i]
    i += 1

零依赖手动优化（无第三方库引入） #

不需要安装任何依赖，仅通过调整Python代码写法即可拿到1.5~2倍的稳定加速，核心是减少Python解释器在循环中的动态查找、调度开销：

• 把循环内用到的内置函数、数组访问方法、循环边界值全部提前绑定到局部作用域，Python访问局部变量的速度比全局/属性访问快3~4倍
• 减少循环内的函数调用次数，把简单逻辑内联

针对示例代码的优化版本：

def run_fast(x):
    A, B, i = 0, 0, 0
    # 提前绑定所有循环内用到的对象到局部
    x_getitem = x.__getitem__
    min_func = min
    max_iter = 1000
    while i < max_iter:
        xi = x_getitem(i)
        if A > 5:
            A += xi
            half = A / 2
            B = half if half < B else B
        else:
            A -= xi
        i += 1
    return A, B

这个版本和原代码逻辑完全一致，没有引入任何非标准库依赖，也没有调用numpy的运算接口，仅利用numpy数组本身的C层索引实现读取数据。

轻量字节码/AST优化装饰器（纯Python第三方依赖） #

如果不想手动修改业务代码，可以选择纯Python实现的轻量JIT装饰器类库，这类库的安装包体积普遍在几十到上百KB，没有C扩展，导入耗时在毫秒级，不存在Numba那种秒级的首次编译等待：

• 实现原理是在函数加载阶段解析函数的AST或者原始字节码，自动完成前面提到的局部变量绑定、常量折叠、简单逻辑内联优化，不需要修改原有业务代码，只需要在待加速的函数上加一个装饰器即可
• 实测对普通分支循环、算术布尔运算的加速比在2~4倍区间，完全支持传入numpy数组参数，不会主动调用numpy的运算接口，符合约束要求
• 这类库不会做重型的类型特化编译，加速比虽然不如Numba，但胜在体积小、无编译等待、纯Python可跨环境直接运行，非常适合嵌入轻量级库作为可选加速项。

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