为何NumPy数组与整数相减比双数组向量化运算更快？

这问题确实挺反直觉的，我刚接触numpy的时候也踩过类似的坑，来帮你拆解下背后的关键原因：

核心误解澄清 #

首先要纠正一个认知：第一段代码的1 - np.log(X)并不是逐元素顺序执行的！numpy对运算符（+/-/*等）做了重载，当你用标量和numpy数组做运算时，会自动触发广播机制——numpy会把标量1“虚拟”扩展成和X同形状的数组，然后执行全向量化的减法运算，和第二段的核心运算逻辑本质是一致的。

速度差异的关键：中间数组的额外开销 #

两段代码的耗时差异，主要来自第二段多出来的np.ones_like(X)操作：

• 第一段1 - np.log(X)：广播机制不需要显式创建全1数组，numpy在底层直接复用标量的数值参与运算，完全跳过了“创建新数组、初始化所有元素为1”的步骤，节省了内存分配和数组初始化的时间。
• 第二段np.subtract(np.ones_like(X), np.log(X))：必须先调用np.ones_like(X)生成一个和X形状、dtype完全一致的全1数组，这一步会额外占用和X相同大小的内存，还要把所有元素初始化为1；之后再调用np.subtract执行减法。多了这一步数组创建的开销，自然会拖慢整体速度。

补充：numpy运算符和ufunc的关系 #

其实a - b在numpy里内部就是调用np.subtract(a, b)，但直接用运算符的写法在广播场景下更高效——因为它能利用numpy的广播优化，避免不必要的中间数组创建。

如果不信的话，你可以试试把X换成一个超大的数组，比如X = np.random.rand(1000,1000)，再跑两段代码，会发现第二段的耗时差距会更明显——因为np.ones_like(X)创建的数组越大，内存分配和初始化的开销就越高。

内容的提问来源于stack exchange，提问作者deepdreams