numpy向量化计算并非总更快，小数组、复杂逻辑或含python对象时可能慢于列表推导式；其优势需规模大、纯数值、连续内存三者兼具。
NumPy 向量化计算不是在所有场景下都更快——当数组很小、逻辑复杂或涉及 Python 对象时，它反而可能比列表推导式慢。根本原因在于：NumPy 的优势需要“规模+纯数值+连续内存”三者齐备，缺一不可。
小数组（len ）触发不了向量化收益
NumPy 创建数组本身有开销：np.array()要检查 dtype、分配连续内存、拷贝数据；而列表推导式直接在 Python 堆上构造对象，无中间步骤。
- 对长度为 100 的整数序列做
x ** 2：列表推导式通常快 2–3 倍 -
np.arange(100) ** 2要先建数组、再广播幂运算、再返回新数组，总开销 > 计算本身 - 实测临界点常在 500–2000 之间，具体取决于操作复杂度和硬件缓存大小
含 Python 对象或混合类型的操作会退化成循环
一旦数组里出现 object dtype（比如存了函数、字典、自定义类实例），NumPy 就无法用 C 层优化，所有运算回落到 Python 解释器逐元素调用。
-
np.array([{'a':1}, {'b':2}], dtype=object)上做+ 1会报错；改用np.vectorize则实际是 for 循环包装，还多一层 dispatch 开销 - 字符串数组（
dtype='U10'）的拼接、正则匹配等操作，底层仍调用 Python 的str方法，无法 SIMD 加速 - 此时
[s.upper() for s in string_list]往往比np.char.upper(np_array)更快且更稳
隐式类型转换或内存拷贝悄悄拖慢速度
NumPy 在广播、索引、函数调用中常触发自动 dtype 提升或副本生成，这些动作不报错但吃时间。
-
np.array([1, 2, 3]) + 0.5会把 int 数组升为float64，触发一次完整内存拷贝 -
arr[::2]返回 view 还是 copy？取决于内存是否连续——不连续时强制 copy，大数组下耗时突增 - 用
np.where做条件赋值时，若分支里混用不同 dtype（如np.nan和 int），可能隐式转为float64并复制整块内存
列表推导式本身已被 C 优化，别低估它
CPython 对列表推导式做了深度优化：构建过程在 C 层完成，避免了 list.append 的方法查找与调用开销，对简单映射类操作非常高效。
-
[x * 2 + 1 for x in range(100000)]比np.arange(100000) * 2 + 1快不了多少，但代码更轻、依赖更少 - 如果后续还要转成 NumPy（比如喂给模型），不如直接用
np.fromiter(gen_expr, dtype=float)避免中间 list - 真正该警惕的是嵌套三层以上的推导式——这时不是慢在推导式，而是逻辑本就不适合 Python 解释器
判断要不要用 NumPy，别看“是不是数值”，要看“是不是大批量同构数值运算”。一个 shape=(100000,) 的 int64 数组做加减乘除，NumPy 几乎总是赢；但一个 shape=(100,) 的 object 数组调用自定义方法，就老老实实用列表推导式。
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！
