@njit有时不加速甚至变慢，是因为函数混用python原生操作（如print、list.append、dict.keys）或不支持的numpy函数，导致numba回退到低效的object mode，并增加编译与类型推断开销；应严格使用nopython模式、预分配数组、显式类型签名并避免动态构造。
为什么 @njit 有时不加速，甚至变慢？
直接加 @njit 并不能保证提速——它只对满足“numba 可识别子集”的纯函数有效。一旦函数里调用了 print()、logging.info()、list.append()（非预分配）、np.array() 动态构造、或任何 Python 对象方法（如 dict.keys()），numba 就会退回到对象模式（object mode），不仅没加速，还因编译开销更慢。
实操建议：
- 用
@njit(cache=True)避免重复编译，首次运行后缓存到磁盘 - 显式指定签名，例如
@njit("float64[:](float64[:], float64)")，能跳过类型推断、减少错误且提升启动速度 - 用
numba.config.DISABLE_JIT=1环境变量临时关闭 jit，快速验证是否真是 jit 带来的瓶颈
哪些 NumPy 操作在 @njit 下可用？
不是所有 np. 函数都支持。比如 np.where()、np.sum()、np.dot()、np.linalg.norm()（部分）是 OK 的；但 np.unique()、np.argsort()（旧版 numba）、np.interp() 默认不可用。
常见陷阱：
-
np.array([1, 2, 3])在 njit 中非法 —— 必须写成np.array((1, 2, 3), dtype=np.float64)，且括号内必须是 tuple 或已知长度的序列 -
arr[0:10:2]切片支持，但arr[arr > 0.5]（布尔索引）不支持，得改用显式循环或np.where()返回索引再取 - 多维数组索引推荐用
a[i, j]而非a[(i, j)]，后者可能触发对象模式
如何调试 @njit 报错的 TyperError？
典型错误信息像：TypingError: No implementation of function Function(<built-in function getitem>) found for signature: (array(float64, 1d, C), slice(NoneType, NoneType, NoneType))</built-in>，本质是 numba 推断不出某个变量类型。
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
快速定位步骤：
- 删掉
@njit，直接运行函数，确认逻辑本身无 Python 运行时错误 - 加上
@njit(nogil=True, error_model="numpy")并启用debug=True（需 numba ≥ 0.59），让报错位置更精确 - 对输入参数加类型注解，例如
def myfunc(x: np.ndarray[np.float64, ndim=1])（Python 3.9+），辅助推断 - 把复杂表达式拆成单步赋值，例如不用
result = np.sqrt((a - b)**2).sum()，而写成diff = a - b; sq = diff * diff; result = np.sqrt(sq).sum()，方便看哪一步断了
何时该用 @vectorize 而不是 @njit？
当你写的其实是“对每个元素独立运算”的标量逻辑（比如：给定一个数 x，返回 np.sin(x) + 0.1 * x**2），@vectorize 更自然，它自动处理广播、dtype 推导和并行调度。
对比要点：
-
@vectorize(['float64(float64)'], target='parallel')生成的是 ufunc，可直接作用于整个数组，无需手动写循环 - 它不支持分支多、状态依赖的逻辑（比如需要上一个结果参与当前计算），这种必须用
@njit+ 显式 for 循环 - 若函数含条件分支但每元素独立，
@vectorize通常比手写 njit 循环更简洁；但若要复用中间数组、做原地更新，@njit控制力更强
Numba 的核心约束始终是「类型稳定」和「控制流静态可分析」——所有看似奇怪的限制，几乎都源于这两点。写 njit 函数时，脑子里得有张“C 风格伪代码”草图，而不是照搬 Python 的灵活写法。
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！
