Python遍历列表、NumPy数组性能优化咨询

嘿，我太懂你这种面对大型数组遍历速度跟不上的头疼了！之前做数值计算项目的时候，也被Python和C#的性能差距惊到过——毕竟C#是编译型静态语言，数组又是连续内存的原生类型集合，而Python作为解释型动态语言，普通列表的遍历开销确实大不少。

先聊聊为啥普通Python列表遍历慢：

• Python的list里每个元素都是对象引用，不是像C#double[]那样直接存连续的数值，每次访问元素都要额外的解引用和类型检查
• Python的for循环本身有解释器层面的开销，每一次循环迭代都要做很多额外操作，不像C#的循环会被编译成高效的机器码

接下来给你几个能大幅提升性能的方案：

1. 用NumPy做向量化操作（最推荐） #

NumPy是Python数值计算的标配，它的数组是C实现的连续内存块，操作都是向量化的——相当于把循环放到C层面执行，速度能接近C#的水平。

比如你原来的遍历赋值操作，用NumPy可以这么写：

import numpy as np
import time

# 创建1000万元素的数组
a = np.zeros(10_000_000, dtype=np.float64)
start = time.time()

# 示例：按条件修改元素值
a[a > 0] = 1.0

end = time.time()
print(f"耗时: {end - start:.4f}秒")

哪怕你需要更复杂的条件判断，也可以用np.where或者自定义向量化函数，比Python层面的循环快几十甚至上百倍。

2. 用Cython编译成C扩展 #

如果你的逻辑没法完全用NumPy向量化，那可以试试Cython——它能把带类型标注的Python代码编译成C代码，生成扩展模块后，循环速度基本和C#持平。

举个简单的例子，先写个.pyx文件：

import cython

@cython.boundscheck(False)  # 关闭边界检查，提升速度
@cython.wraparound(False)   # 关闭负索引支持，提升速度
def process_array(double[:] a):
    cdef int i
    cdef int n = a.shape[0]
    for i in range(n):
        if a[i] < 0.5:
            a[i] = 0.0
        else:
            a[i] = 1.0

通过setup.py编译成扩展后，在Python里调用这个函数，性能会比普通Python循环提升一个量级。

3. 用Numba即时编译 #

如果你不想折腾Cython的编译流程，Numba是个更轻量化的选择——它可以通过装饰器把Python函数即时编译成机器码，不需要额外的编译步骤。

示例代码：

from numba import jit
import time

@jit(nopython=True)  # 启用纯机器码编译
def process_array(a):
    n = len(a)
    for i in range(n):
        if a[i] < 0.5:
            a[i] = 0.0
        else:
            a[i] = 1.0

a = [0.0 for _ in range(10_000_000)]
start = time.time()
process_array(a)
end = time.time()
print(f"耗时: {end - start:.4f}秒")

第一次调用会有编译开销，后续调用速度就和C级别的循环差不多了。

最后再提醒下：如果你的项目以数值计算为主，优先把普通Python列表换成NumPy数组，这是提升性能最直接的方式。要是有复杂的自定义逻辑，Numba或Cython都是靠谱的选择。

内容的提问来源于stack exchange，提问作者fischja