非NumPy简单循环场景下Numba未提速反变慢问题排查

• 第一处是基础笔误：你标注为execution time jit的测试块，根本没有调用被@njit装饰的just_calc_jit函数，两次map调用传入的都是原生Python实现的just_calc，两组测试跑的是完全相同的代码，速度自然没有明显差异。
• 第二处是Numba使用逻辑错误：就算修正笔误，你当前的写法也几乎拿不到加速效果：
  • Numba处理Python原生对象（list、tuple、Python层面的int/float对象）时，每次函数调用都要做Python对象到Numba原生类型的拆箱、返回值的装箱操作，跨Python/C边界的开销极高，会完全抵消算术计算的加速收益，甚至可能比纯Python实现更慢。
  • 你在Python层面用map逐元素调度JIT函数，每一次调用都是独立的Python函数调用，Numba无法对整个遍历计算流程做全局优化，加速效果会被调度开销严重稀释。

要拿到Numba的预期加速，需要做三个核心调整：

• 用NumPy连续数组替代Python原生list存储数据，从根源上避免原生对象的拆装箱开销
• 把全量遍历、计算的逻辑全部放到JIT函数内部，让Numba直接编译整个计算流程，不在Python层做逐元素的函数调度
• 首次调用JIT函数时会触发编译，需要提前跑小批量数据完成预热，避免把编译耗时算入执行时间

修正后的参考代码如下：

from numba import njit
import numpy as np
from datetime import datetime

# 用NumPy连续数组存储测试数据，元素为原生数值类型，内存连续
big_arr = np.column_stack([
    np.arange(1, 100000000, dtype=np.int64),
    np.arange(10001, 100000000 + 10000, dtype=np.int64)
])

@njit(cache=True)
def calc_all_jit(arr):
    # 整个遍历计算逻辑全部在JIT内部完成
    res = np.empty(arr.shape[0], dtype=np.float64)
    for i in range(arr.shape[0]):
        row0 = arr[i, 0]
        row1 = arr[i, 1]
        exp_1 = row1 / row0
        exp_2 = (row0 + 10000) / row1
        exp_3 = (exp_2 - row0) / exp_1
        exp_3 *= exp_3
        res[i] = exp_3
    return res

# 原生Python对照函数
def just_calc(row):
    exp_1 = row[1] / row[0]
    exp_2 = (row[0] + 10000) / row[1]
    exp_3 = (exp_2 - row[0]) / exp_1
    exp_3 *= exp_3
    return exp_3

# JIT预热，提前完成编译
_ = calc_all_jit(big_arr[:10])

# 多轮测试
for i in range(5):
    start = datetime.now()
    result_py = list(map(just_calc, big_arr.tolist()))
    t_py = datetime.now() - start
    print("原生Python执行时间:", t_py)

    start = datetime.now()
    result_jit = calc_all_jit(big_arr)
    t_jit = datetime.now() - start
    print("Numba执行时间:", t_jit)

按照这个写法，Numba版本的执行速度通常会比纯Python实现快10~100倍，不会出现速度持平的情况。

内容的提问来源于stack exchange，提问作者idan ahal