numba 必须用 @njit（而非 @jit）并配合 numpy 数组输入才能实现有效加速；否则默认回退至 python 解释器，性能无提升甚至更慢。
直接装完就能用，但不配 nopython=True 就等于白加速。 Numba 默认模式会回退到 Python 解释器，性能提升微乎其微，甚至更慢。
安装与基础装饰器怎么选：@njit 而不是 @jit
装完 pip install numba 后，别用 @jit —— 它默认开启 object 模式，允许调用任意 Python 对象，但几乎不提速。必须用 @njit（等价于 @jit(nopython=True)），强制走纯编译路径。
-
@njit会在首次调用时编译为机器码，后续调用直接执行，无解释开销 - 若函数里用了不支持的 Python 特性（如
dict.keys()、print()、类方法），@njit会直接报错，而不是静默降级 - 错误信息通常是
TypingError: Failed in nopython mode...，说明你踩到了类型限制边界
输入数据必须是 NumPy 数组，不能是 Python 列表
Numba 在 nopython 模式下无法处理 Python 的动态对象布局。传 list 进去会触发 LoweringError 或静默 fallback 到慢速路径。
- 必须提前转成
np.array，且推荐指定 dtype，比如np.float64或np.int32 - 避免混合类型：传入
[1, 2.0, 3]生成的数组是object类型，@njit直接拒编 - 小数组（
并行加速要显式启用：parallel=True + prange
普通 for i in range(...) 不会自动并行。@njit(parallel=True) 只是打开并行开关，真正起作用的是把 range 换成 numba.prange。
-
prange表示“并行可安全迭代”，Numba 才会把循环切片分发到多核 - 需确保循环体无数据依赖（比如
arr[i] = arr[i-1] + 1就不行） - 并行有启动成本，只在大数组（>10⁵ 元素）+ 计算量足够时才值得开
- Windows 上可能遇到
OSError: [WinError 87]，关掉杀毒软件或改用 WSL 可缓解
第一次运行慢是正常的，但别让它反复编译
@njit 函数首次调用时编译，耗时可能远超执行本身。如果你每次运行都传不同 shape 或 dtype 的数组，Numba 会为每种组合单独编译一份——这就是“缓存爆炸”。
- 用
@njit(cache=True)把编译结果存到磁盘，下次启动直接加载 - 固定输入类型：比如明确写
def func(arr: np.ndarray[np.float64])（Python 3.9+ 类型提示）能减少签名变异 - 避免在循环里反复调用未预热的
@njit函数；宁可把多层逻辑塞进一个@njit函数里
最常被忽略的一点：Numba 不加速 I/O、内存分配、NumPy 的通用 ufunc（如 np.sin），它只加速你写的、带循环/条件/自定义计算的纯数值逻辑。别指望给 pd.read_csv 加个 @njit 就能提速。
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！
