字典插入本身不慢，慢在错误使用：循环频繁重建、键类型混用、误调.keys()等触发拷贝、numba修饰反降速、或当成缓冲区/数据库滥用。
字典本身不是瓶颈，性能下降几乎都来自你“怎么用”字典——尤其是混用 Python 原生字典和 Numba、频繁重建、键类型混乱或误判适用场景时。
为什么 dict 插入变慢？先看真实瓶颈在哪
Python 的 dict 是 C 实现的哈希表，单次 __setitem__ 平均 O(1)，插入 100 万条通常不到 0.1 秒。所谓“大批量变慢”，90% 情况下是以下原因叠加：
- 你在循环里反复创建新
dict（比如每次迭代d = {}），触发大量内存分配 + 哈希表初始化开销 - 键类型不一致（
str、int、tuple混用），导致 Numba 无法推断类型，回退到解释执行甚至报错 - 把
dict当缓冲区，在高频写入中又频繁调用.keys()、.values()或list(d.items())，触发全量拷贝 - 误用
dict存储可预测结构数据（如固定字段日志），却没考虑__slots__类或namedtuple更省内存
@nb.njit 修饰含字典的函数反而更慢
Numba 对 dict 支持有限，且默认不加速原生 dict 操作。一旦你加了 @nb.njit，反而会触发：
- JIT 编译时对字典键/值做复杂类型推断，首次调用延迟明显
- 运行时为兼容 Python 字典语义，插入操作被降级为带锁的通用路径，比纯 Python 还慢
- 若键是字符串，Numba 会尝试转成
unicode内部表示，引入额外编码开销
验证方法：去掉 @nb.njit，用 timeit 对比，通常原生 Python 快 2–5 倍。
大批量构建字典的正确姿势
别在循环里逐个 d[k] = v，尤其当键可预知时：
- 用字典推导式：
{k: expensive_func(k) for k in keys}，比循环快 30–50% - 键值已存在列表？直接
dict(zip(keys, values))，避免循环解释器开销 - 需要条件过滤？用生成器表达式：
dict((k, v) for k, v in items if k not in blacklist) - 超大规模（百万级）且键为整数？考虑
array.array('i', [...])或numpy.ndarray替代稀疏字典
真正该警惕的“慢字典”信号
这些现象比“插入慢”更值得立刻检查：
- 内存占用暴涨（用
asizeof.asizeof(your_dict)测），可能是键太长或重复字符串未 intern -
dict作为类属性被意外共享（如class A: cache = {}），引发并发写冲突或静默污染 - 在多线程中无锁修改同一
dict，触发 GIL 频繁切换，实际是并发问题不是字典问题 - 用
json.dumps(dict_obj)频繁序列化大字典，瓶颈其实在 JSON 编码器，不是插入本身
字典插入本身极少是真瓶颈；慢的永远是周边动作——创建、复制、序列化、跨层传递或错误地把它当数据库用。
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！
