函数保持向量化关键在于函数体内全用NumPy原生操作，禁用for循环、tolist()等；误用@np.vectorize不提速；参数需明确维度；默认返回新数组更安全。
函数内部直接用numpy.ndarray运算，别转成Python list
NumPy数组传入函数后，只要函数体里所有操作都是numpy原生函数（比如np.add、+、np.sin），向量化特性就自动保留。一旦出现for循环遍历元素，或调用list()、arr.tolist()，立刻退化为标量计算，性能暴跌。
常见错误现象：TypeError: iteration over a 0-d array 或函数运行变慢几十倍——往往是因为你写了for x in arr:，而arr是1D数组，Python试图把它当可迭代容器，但没做维度适配。
- 正确做法：所有数学运算直接作用于整个
arr，例如result = np.exp(-arr ** 2) - 避免显式类型转换：
list(arr)、arr.item()（除非明确需要标量）、float(arr) - 如果必须条件分支，用
np.where代替if/else块，例如np.where(arr > 0, arr, 0)
用@np.vectorize装饰器要小心：它不加速，只“伪装”向量化
@np.vectorize看起来像给普通Python函数加了向量化能力，实际只是用Python循环套壳，底层没调用C/Fortran优化路径。它解决的是“语法兼容”，不是“性能问题”。真要提速，得重写逻辑为纯NumPy表达式。
使用场景：临时调试、快速验证公式、封装少量非向量化逻辑（如查表函数），但上线代码里应尽量替换掉。
- 性能影响：比原生
np函数慢10–100倍，和手写for循环差不多 - 参数差异：
@np.vectorize默认excluded=()，若要排除某些参数（如标量阈值），得显式写@np.vectorize(excluded=['threshold']) - 容易踩的坑：误以为加了装饰器就等于用了SIMD指令；返回类型可能和输入不一致，需用
otypes指定，例如@np.vectorize(otypes=[float])
函数签名里别用*args或**kwargs模糊数组维度意图
NumPy向量化依赖明确的广播规则（broadcasting），而*args会让形状推导失效，导致意外的维度压缩或广播失败。比如传入(a, b)两个二维数组，函数内部却按一维处理，a + b可能报ValueError: operands could not be broadcast together。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
常见错误现象：函数在测试时正常，但换一组不同shape的数组就崩；或者结果shape不对，比如本该输出(100, 50)，实际出来(100,)。
- 实操建议：函数参数名体现语义和维度，例如
def compute_score(features: np.ndarray, weights: np.ndarray) -> np.ndarray: - 必要时用
np.atleast_2d()或arr.reshape(-1, 1)显式规整输入，而不是靠*args吞掉维度信息 - 调试时加简单检查：
assert features.ndim == 2 and weights.ndim == 1，比后期排查广播错误成本低得多
传入np.ndarray时，默认是引用传递，但别依赖它做“原地修改”
NumPy数组传参不拷贝数据，修改arr[:] = 0会影响原始数组；但arr = arr * 2是创建新数组，原数组不变。这个区别常被忽略，导致函数行为不可预测。
性能影响：原地操作（如np.negative(arr, out=arr)）省内存、快；但若函数逻辑复杂，强行原地改易出错，不如返回新数组清晰。
- 安全做法：默认返回新数组，仅在明确需要节省内存且调用方知情时，才提供
out=参数选项 - 容易踩的坑：
def normalize(x): x /= np.max(x); return x—— 这会污染输入，且当x是视图（view）时可能引发RuntimeWarning: invalid value encountered - 推荐写法：
return x / x.max() if x.max() != 0 else x，不改输入，也避开除零
函数能不能保持向量化，关键不在怎么“传”，而在怎么“算”。很多同学盯着参数怎么写，却在函数体里随手写个for循环，或者用map()套一层——那前面所有设计都白搭。最可靠的信号，是看函数里有没有非np.开头的数值运算。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
