为什么numpy单独使用时会'慢'?
根据这个讨论
看起来，numpy在超快速计算方面并不是最理想的选择。有没有人知道在使用numpy进行数值计算时，我们需要注意哪些额外的开销呢？
4 个回答
我不太确定，但我猜有两个原因：
也许numpy在复制更多的东西？一般来说，使用weave会更快，特别是当你避免分配大的临时数组时，但在这里这应该不是主要问题。
numpy在处理（可能是）多维数组时会有一些额外的开销。通常来说，这些开销在进行大量计算时是微不足道的，但因为异或运算真的非常快，所以这时候最重要的就是这些开销。
当你看到这样的表达式 x = a * b + c / d + e 时，实际上会产生几个临时的数组。首先会为 a * b 创建一个临时数组，然后为 c / d 再创建一个，接着为其中一个加法结果再创建一个，最后还会为最终结果再分配一个。这是因为Python的类型和运算符重载的限制。不过，你可以使用增强赋值运算符（比如 *=、+= 等）来明确地在原地进行操作，这样就不会产生多余的复制。
至于NumPy在某些基准测试中表现得比较慢的具体原因，很难说清楚，但可能和它需要不断检查大小、类型转换等开销有关，而Cython等工具就不需要担心这些问题。在处理更大的问题时，你可能会发现它们的表现会更接近。
这要看你想做什么。如果你对数字线性代数感兴趣，XOR（异或运算）就没什么用处，因为numpy在这方面很快，因为它底层使用了优化过的BLAS/LAPACK库。
一般来说，想要让numpy运行得快，关键在于把解释器的开销分摊到一次处理多个元素上。换句话说，就是把Python代码里的循环（比较慢）转移到numpy、BLAS、LAPACK等内部的C或Fortran循环中（比较快）。如果你能做到这一点（叫做向量化），那么性能通常会很好。
当然，如果你直接放弃Python解释器，改用C++，性能可能会更好。不过，这种方法是否有效，取决于你在高性能编程方面的能力，以及你具体想做什么操作。