适合用@njit编译的函数必须是数值密集、类型可推断、无副作用的纯计算逻辑，典型场景包括数组逐元素运算、循环累加、矩阵手动展开、科学计算内核等；支持numpy.ndarray、标量、tuple、range及静态长度list，不支持i/o、python对象操作或动态类型行为。
Numba 能显著加速纯数值计算函数，但只对满足特定条件的函数有效——比如不能含 Python 对象操作、I/O 或动态类型行为。
哪些函数适合用 @njit 编译？
适合的函数必须是「数值密集、类型可推断、无副作用」的纯计算逻辑。典型场景包括：数组逐元素运算、循环累加、矩阵手动展开、科学计算内核等。
- ✅ 支持
numpy.ndarray、标量、tuple、range和有限集合的list（需静态长度） - ❌ 不支持
print()、open()、len(dict)、str.format()、类实例方法调用 - ⚠️
np.array()可用，但动态 shape（如依赖运行时变量）会触发编译失败或回退到 object 模式 - ⚠️ 默认启用
nopython=True，一旦推断失败会报TyperError，而不是静默降级
如何避免 TyperError: cannot determine Numba type of <class></class>？
这是最常见错误，本质是 Numba 在类型推导阶段卡在了它不认识的类型上。关键不是“怎么写对”，而是“怎么让 Numba 看得懂”。
- 显式标注参数类型，例如
@njit("float64(float64[:], float64[:])")，比仅用@njit更早暴露问题 - 避免用
list.append()；改用预分配np.empty()+ 索引赋值 - 不要传入
None作默认参数——Numba 不支持 union type 推导，改用哨兵值（如-1）或拆成多个函数 - 用
np.int64替代int，用np.float64替代float，减少类型歧义
@vectorize 和 @njit 该怎么选？
二者目标不同：@vectorize 是为了像 NumPy ufunc 那样广播数组，@njit 是为了加速任意结构化逻辑。别因为“看起来更高级”就默认选 @vectorize。
- 如果你的函数输入是标量，想让它自动支持数组广播 → 用
@vectorize（注意加target="parallel"才能多线程） - 如果你要写带分支、嵌套循环、中间状态更新的数值逻辑 → 必须用
@njit，@vectorize不支持这些 -
@vectorize默认生成的是 CPU ufunc；若需 GPU 加速，得用@cuda.jit，且必须重写内存访问模式 - 性能上，
@njit通常比@vectorize更快，因为后者有额外广播开销
真正难的不是加装饰器，而是把原有逻辑“翻译”成 Numba 可接受的子集——比如把 for x in my_list: 改成 for i in range(len(my_list)):，再确保 my_list 是 np.ndarray。这一步没做对，后面所有优化都白搭。
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！
