NumPy 的 vectorize 在未指定输出类型（otypes）时，会自动用首个输入元素试探函数返回值以推断输出类型，导致该元素被调用两次；通过显式设置 otypes 参数可彻底避免此行为。
numpy 的 `vectorize` 在未指定输出类型（`otypes`）时，会自动用首个输入元素试探函数返回值以推断输出类型，导致该元素被调用两次；通过显式设置 `otypes` 参数可彻底避免此行为。
numpy.vectorize 并非真正的向量化（不利用 SIMD 或底层并行），而是一个语法糖，用于将标量函数“伪广播”到数组上。其核心机制之一是类型推断：当未显式传入 otypes 参数时，vectorize 会主动用输入序列的第一个元素（如 [1,2,3] 中的 1）调用一次函数，仅为了检查其返回值类型（例如是否为 float、int 或 str），从而确定最终输出数组的 dtype 和维度结构。
这正是示例中输出出现重复 1 的根本原因：
import numpy as np
@np.vectorize
def test(x):
print(x)
test([1, 2, 3])
# 输出：
# 1
# 1
# 2
# 3
第一次 1 是类型探测调用（内部、不可见但真实发生），第二次 1 才是正式处理流程的一部分。
✅ 解决方案：显式声明 otypes
只需在创建 vectorize 对象时指定 otypes（output types），即可跳过探测步骤：
import numpy as np
def test(x):
print(x)
# 显式指定输出类型为 float（即使函数不返回值，otypes 仅用于 dtype 推断）
v_test = np.vectorize(test, otypes=[float])
v_test([1, 2, 3])
# 输出：
# 1
# 2
# 3
⚠️ 注意事项：
- otypes 是一个类型列表，长度对应函数返回值个数（单返回值写 [float]，多返回值如 def f(x): return x, x**2 则写 [float, float]）；
- 即使函数无显式返回值（默认返回 None），otypes 仍需指定——此时建议用 object 或与业务逻辑匹配的类型（如 [object]），但注意 object 数组无法享受 NumPy 数值计算优势；
- 若函数含副作用（如计数器累加、日志记录、文件写入），强烈不推荐依赖 vectorize，因其执行顺序不保证、探测调用易引发逻辑错误；应改用显式 Python 循环或 map()，确保行为可预测：
# ✅ 清晰、可控、符合直觉
counter = 0
def side_effect_func(x):
global counter
counter += 1
print(f"Processing {x}, count={counter}")
for x in [1, 2, 3]:
side_effect_func(x)
? 总结：vectorize 的“额外调用”不是 bug，而是设计使然；它服务于类型安全与广播一致性。若追求纯函数式无副作用计算且输入类型明确，vectorize 可简化代码；但凡涉及状态变更、调试追踪或性能敏感场景，请优先选择原生 NumPy 向量化操作（如 ufunc、广播运算）或显式循环。
