Python循环与数组访问速度对比：为何for循环比直接访问更快？

这问题乍一看挺反直觉的——明明大家都说numpy的向量式操作比for循环快，结果这里循环反而快了两倍！别着急，咱们从内存布局和CPU缓存的角度拆解一下原因。

1. 先搞清楚numpy数组的内存存储逻辑 #

numpy默认用**C顺序（行优先）**存储数组，简单说就是最右边的维度在内存里是连续变化的。比如：

• 你的matrix_n形状是(48, 100, 100, 30)，内存里是先存完第一个48组里的第一个100×100块的所有30个元素，再存下一个100×100块，以此类推。所以matrix_n[:, :, :, i]（取第i个30维度的切片）是一块完全连续的内存，大小是48×100×100。
• 而matrix的形状是(48, 30, 100, 100)，按C顺序存储时，每个30维度对应的100×100块也是连续的。

2. method2的循环刚好踩中了高效内存访问的点 #

method2是按第二维度（30）循环构建数组，每次做的事情是：从matrix_n里取出一块连续的(48,100,100)内存块，再写入matrix对应的连续内存块。

这种连续大块内存的读写刚好契合CPU的缓存机制：CPU会提前预加载连续的内存数据到缓存里，后续访问直接从高速缓存取，不用频繁从慢很多的主存加载，缓存命中率拉满，速度自然快。

3. method1的直接访问反而踩了内存的“坑” #

method1用的是直接数组访问，不管是一次性转置赋值（比如matrix = matrix_n.transpose(0,3,1,2).copy()）还是其他跨维度索引操作，本质上都是在访问非连续的内存地址。

举个例子：如果要从matrix_n的第4维度（30）取元素放到matrix的第2维度，直接访问时，你需要跳着从matrix_n的不同100×100块里取数据，这些数据在内存里是分散的。CPU缓存没法预加载这些分散的地址，每次访问都要从主存读，缓存命中率极低，速度自然慢了下来。

总结一下 #

这种“循环比向量式操作快”的情况，不是因为循环本身更高效，而是内存访问模式的差异导致的。numpy的向量式操作确实大多时候更快，但当操作涉及非连续内存时，反而不如针对连续内存块的循环高效——毕竟CPU缓存的效率差异能直接拉开两倍的性能差距。

内容的提问来源于stack exchange，提问作者daniel lim