能否在Numba中推断或提示局部变量的类型？

这种情况我之前踩过好几次坑！核心问题就是Numba没有进入nopython模式——这是它能跑出C级速度的核心开关。如果代码一直在object模式下运行，那本质上还是调用Python对象操作，速度自然和原生Python没差，局部变量也都会被标记成PyObject。下面给你几个针对性的优化步骤，帮你把性能拉到和Cython相近的水平：

1. 强制启用nopython模式，拒绝静默降级 #

默认的@njit装饰器会在无法编译代码时，自动 fallback 到object模式（表面能运行，但速度慢）。你必须显式开启nopython=True，让Numba在编译失败时直接报错，而不是偷偷用慢模式：

from numba import njit

@njit(nopython=True)  # 关键：强制nopython模式
def your_target_function(arr):
    last_out = arr[0]
    # 你的业务逻辑代码

这样一来，任何导致Numba无法生成纯机器码的问题都会被立刻暴露出来，你就能针对性修复。

2. 显式指定类型，帮Numba消除歧义 #

有时候Numba没法自动推断复杂变量的类型，这时候你可以通过签名或者Numba原生类型来明确：

• 函数签名：直接在@njit里指定输入输出的类型，比如处理int64数组的函数：

from numba import njit, int64

@njit(int64(int64[:]))  # 输入：int64一维数组；输出：int64
def your_function(arr):
    last_out = arr[0]
    # ...

• Numba原生容器：如果用到了列表、字典这类容器，别用Python原生的，改用Numba提供的类型，比如numba.typed.List或numba.typed.Dict：

from numba.typed import List

# 创建Numba原生列表
numba_list = List()
numba_list.append(1)
numba_list.append(2)

3. 避开Numba不支持的Python动态特性 #

nopython模式不兼容很多Python的动态语法，这些特性会强制Numba退回到object模式，比如：

• 不要使用Python原生字典/列表（改用Numba typed版本）
• 避免类的动态属性访问（比如obj.attr如果是动态添加的，会被视为PyObject）
• 不要用try-except块、生成器、复杂列表推导
• 不要调用未被@njit装饰的Python函数（要么把辅助函数也编译，要么内联逻辑）

举个反例：如果你的代码里调用了一个普通Python写的工具函数，哪怕逻辑很简单，Numba也会把相关变量标记为PyObject。这时候要么给工具函数也加上@njit(nopython=True)，要么把逻辑直接写到主函数里。

4. 优化数组内存布局 #

非连续内存的数组（比如切片后的arr[::2]）会让Numba难以优化，甚至退回到object模式。处理前先把数组转成连续内存：

import numpy as np

# 转成连续内存的数组
contiguous_arr = np.ascontiguousarray(your_input_arr)
result = your_function(contiguous_arr)

5. 用inspect_types精准定位问题 #

你已经在用inspect_types了，那重点盯着那些标记为PyObject的变量，回溯它们的赋值来源：

• 如果变量来自Python原生容器（比如list的元素），换成Numba原生容器
• 如果变量来自未编译的Python函数，把函数也编译
• 如果是数组元素，但数组类型没被推断对，检查输入数组的类型（比如是不是object dtype的numpy数组？要改成明确的数值类型，比如int64）

举个修复前后的对比例子 #

慢代码（object模式） #

@njit  # 默认模式，会fallback到object模式
def slow_func(arr):
    last_out = arr[0]
    for x in arr:
        if x > last_out:
            last_out = x
    return last_out

# 传入Python原生list，Numba无法推断类型
input_data = [1, 3, 2, 5, 4]
slow_func(input_data)

inspect_types会显示last_out是PyObject，速度和原生Python差不多。

快代码（nopython模式） #

@njit(nopython=True)
def fast_func(arr):
    last_out = arr[0]
    for x in arr:
        if x > last_out:
            last_out = x
    return last_out

# 传入numpy数组，明确int64类型
input_data = np.array([1, 3, 2, 5, 4], dtype=np.int64)
fast_func(input_data)

这时候last_out会被推断为int64，速度能达到Cython的水平。

按照这些步骤调整后，你的Numba代码应该能跑出和Cython相近的性能了。

内容的提问来源于stack exchange，提问作者user48956