@njit是@jit(nopython=true)的简明别名，强制启用高性能nopython模式；禁用python对象操作，仅支持基础numpy函数和整数索引；prange配合parallel=true可并行加速，但需内存连续且无数据依赖。
直接加 @njit 装饰器，90% 的数值循环函数就能提速 10–100 倍；但前提是别用 Python 列表、字典、print、异常捕获这些 nopython 模式不认的东西。
为什么 @njit 比 @jit(nopython=True) 更推荐
@njit 是 @jit(nopython=True) 的别名，语义更明确、写法更短，且强制启用 nopython 模式——这是获得高性能的唯一可靠路径。一旦用了 @jit 不带参数，Numba 可能悄悄退化到 object 模式，性能提升微乎其微，还容易掩盖类型问题。
- 首次调用时会触发编译，有明显延迟（几百毫秒），但后续调用直接执行机器码
- 函数签名（参数类型）一旦确定，就不能再传不同 dtype 的 NumPy 数组，否则会重新编译甚至报错
- 不支持字符串操作、I/O、类实例方法、闭包变量（除非是常量）
@njit 下哪些 NumPy 操作能用、哪些会炸
Numba 对 NumPy 的支持集中在基础数组操作上，不是所有 np.xxx 都能进 nopython 模式。常见可用项包括：np.arange、np.zeros、np.sum（仅限一维）、np.sqrt、np.sin 等数学函数；而 np.append、np.concatenate、np.where（带复杂条件时）、np.random（需换用 numba.cuda.random 或 np.random.default_rng 配合 @njit 外部生成）基本不可用。
- 数组索引必须用整数，不支持布尔索引或花式索引（如
arr[arr > 0]） - 避免在循环里动态改变数组长度——nopython 模式下没有“可变长数组”概念
- 多维数组优先用
arr[i, j]而非arr[i][j]，后者可能触发对象模式回退
并行加速：用 prange 替代 range 的实际效果
当你把 for i in range(N): 改成 for i in prange(N):，并加上 @njit(parallel=True)，Numba 会自动把循环分发到多个 CPU 核心。但这不是无代价的：数组必须是连续内存（arr.flags.c_contiguous 为 True），且不能有跨迭代的数据依赖（比如 total += arr[i] * arr[i-1] 就不行）。
- 并行版首次调用编译时间更长，因为要生成线程调度逻辑
- 小数组（比如
- 记得用
numba.config.NUMBA_NUM_THREADS控制线程数，避免和 OpenMP 或其他库冲突
最容易被忽略的一点：Numba 加速只对「计算密集型」函数有效。如果函数里混着大量 os.path.join、json.loads、数据库查询或网络请求，加 @njit 不仅没用，还会因类型推断失败直接报错。真正的加速点永远在那个反复执行、纯数学运算的内层循环里。
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！
