Python实现邻接矩阵时numpy性能低于原生列表是什么原因？

你当前的numpy实现完全没有发挥它的性能优势，反而放大了自身短板，核心问题如下：

• numpy的性能优势来源于预分配的连续内存块+向量化批量运算，你每次新增节点都调用hstack/vstack拼接数组，这类操作会触发完整的内存重新分配、全量数据拷贝，还要承担numpy C接口调用的固定开销，对于你每次仅新增1行1列的极小操作来说，开销占比极高。
• 测试规模极小（仅8个节点），原生列表的append是均摊O(1)的轻量内置操作，没有numpy的跨接口调用 overhead，自然耗时更低。当节点规模达到数千以上，且需要做邻接矩阵整体运算（比如矩阵乘法求路径数、Floyd算法批量算最短路径）时，正确实现的numpy版本性能会远超原生列表。
• 你的numpy实现本身存在冗余操作：比如初始化第一个节点时用np.hstack(np.zeros((1,1),dtype=int))会把二维数组降为一维，后续拼接时还要做额外的维度适配，增加了无效开销。

如果要发挥numpy的性能优势，可以做如下调整：

• 提前预分配足够容量的数组：提前预估节点总数，直接初始化对应大小的零矩阵，后续只修改对应下标位置的值，完全避免动态拼接。如果无法预估总规模，可以按2倍倍率扩容，不要每次仅扩容1行1列。
• 避免频繁跨层调用：尽量把所有批量操作攒到一起执行，不要每次新增单个节点就调用一次numpy的拼接接口。
• 匹配场景选择数据结构：如果你的业务确实需要频繁动态增删节点，邻接矩阵本身就不是合适的选型，改用邻接表实现会比硬用numpy邻接矩阵效率高得多。

内容的提问来源于stack exchange，提问作者PG_55_Rohit Umadi