如何为numpy数组列动态绑定待执行函数，满足百万次高性能访问需求

核心问题原因 #

你之前的写法会立刻执行函数，是因为赋值时加了()主动触发了调用，你需要存储的是预绑定了参数的可调用对象，而非函数执行结果。

方案1：用functools.partial实现参数预绑定（推荐） #

functools.partial是Python官方提供的参数绑定工具，会返回一个预填了固定参数的可调用对象，不会立刻执行原函数，性能损耗极低。
基础示例（修复你的测试代码逻辑）：

from functools import partial

def hello(input):
    return input

dict1 = {}
name = 'hello'
ID = 0

# 只绑定参数，不执行函数，返回可调用对象存入字典
dict1["hi"] = partial(globals()[name], ID)

# 需要执行时再加()调用
print(dict1["hi"]()) # 输出 0

高性能适配百万次数组读写的优化实现 #

针对你的三个核心需求，做以下优化避免性能损耗：

1. 初始化阶段直接把列对应的预绑定函数按列索引存入列表，替代字典，后续访问是O(1)的顺序索引，没有字典哈希查找的开销
2. 填充numpy数组时用向量化整列赋值，避免逐行Python循环，性能提升10~100倍

完整代码示例：

import numpy as np
from functools import partial

# 你的业务函数，可根据需求动态新增
def hello(fixed_val, x):
    # fixed_val是初始化时绑定的固定参数，x是运行时每行的动态参数
    return fixed_val + x

def goodbye(fixed_val, x):
    return fixed_val * x

def initialize():
    # 这里模拟你动态获取的函数配置：(函数名, 预绑定参数)
    dynamic_config = [
        ("hello", 1),
        ("hello", 2),
        ("goodbye", 0)
    ]
    col_funcs = []
    for func_name, bind_arg in dynamic_config:
        raw_func = globals()[func_name]
        # 预绑定固定参数，生成可调用对象
        bound_func = partial(raw_func, bind_arg)
        col_funcs.append(bound_func)
    return col_funcs

# 主程序逻辑
if __name__ == "__main__":
    # 初始化拿到所有列对应的预绑定函数
    col_funcs = initialize()
    ROW_NUM = 1000000 # 百万行规模
    COL_NUM = len(col_funcs)
    np_array = np.zeros((ROW_NUM, COL_NUM), dtype=np.int64)
    
    # 动态参数数组，对应每行的计算变量，可替换为你的业务数据
    row_param = np.arange(ROW_NUM)
    # 按列向量化填充，没有Python循环开销
    for col_idx, func in enumerate(col_funcs):
        np_array[:, col_idx] = func(row_param)

额外优化点 #

• 如果你的函数逻辑固定返回常量，不需要动态参数，直接调用func()给整列赋值即可，numpy支持广播操作
• 如果函数逻辑非常复杂无法向量化，可以给函数加numba.njit装饰器编译，性能可接近原生C语言水平
• 若不需要存储函数本身，只需要预生成计算逻辑，也可以用lambda表达式实现参数绑定，写法更简洁：dict1["hi"] = lambda: globals()[name](ID)，注意如果有循环变量捕获问题要额外处理，partial不会有这个问题，更稳定。

内容的提问来源于stack exchange，提问作者hellokitty12345