math模块仅对标量浮点运算有加速，瓶颈在循环/i/o/对象创建时换用math无效；批量计算应缓存函数引用或改用numpy；log底数固定时须用专用函数以提升速度与精度。
math模块真比纯Python快吗？先确认瓶颈在哪
直接换 math 不一定提速——如果瓶颈在循环、I/O 或对象创建，换函数没用。先用 cProfile 和 line_profiler 定位到具体哪行耗时高，再看是不是数学运算本身拖慢了速度。常见误判是把列表推导式里反复调用 math.sqrt(x) 当成“计算慢”，其实真正慢的是 Python 解释器每次查模块属性的开销，不是 sqrt 本身。
math.sqrt() vs **0.5：哪个更快？
math.sqrt() 是 C 实现，但对单个浮点数，**0.5 在 CPython 中也走优化路径，实测差异常小于 5%。真正拉开差距的是批量计算：
- 单次调用：优先用
**0.5，少一次属性查找，代码更直白 - 大量调用（如循环中）：显式导入并缓存函数引用，比如
sqrt = math.sqrt，避免每次math.sqrt(x)的属性访问开销 - 数组级计算：立刻放弃
math，改用numpy.sqrt()——math不支持向量化，强制循环会更慢
math.log() 的底数陷阱和精度问题
math.log(x, base) 看似方便，但底层会转成 math.log(x) / math.log(base)，多一次除法和两次对数计算。若底数固定（如常用 log₂ 或 log₁₀），应直接用专用函数：
- log₂：用
math.log2(x)（CPython 3.3+），比math.log(x, 2)快 30% 以上 - log₁₀：用
math.log10(x)，同样避免除法，且精度更高（math.log(x, 10)在某些值上会产生可测误差） - 自然对数：始终用
math.log(x)，它对应 C 的log()，最精简
注意：math.log(0) 抛 ValueError，而 numpy.log(0) 返回 -inf —— 混用时容易漏掉异常分支。
math 模块不加速的典型场景
math 的 C 封装只覆盖标量浮点运算，以下情况它完全不生效：
- 输入是整数但很大（如
math.isqrt(n)是特例，但math.sqrt(n)会先转 float，可能丢失精度） - 传入复数：直接报
ValueError，得换cmath - 需要处理 NaN/Inf：
math函数行为与平台 C 库一致，但部分函数（如math.atan2）对特殊值有明确定义，而自写逻辑可能出错 - 涉及单位转换或物理公式：加减乘除本身不慢，慢在重复计算常量（如
2 * math.pi / 360），应提前算好赋给常量名
真正关键的不是“用没用 math”，而是是否避免了重复计算、是否选对了数据结构、以及是否在该用 NumPy 的地方硬扛着用 math + 循环。
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！
