怎么避免 for 循环、用向量化运算提速？实际能快多少？

核心思想：把"Python 层的循环"换成"NumPy 层的数组运算"，由 C 实现逐元素计算，通常快 10~100 倍。

例子：把每行减去该行均值（数据标准化常用）：

import numpy as np, time
X = np.random.randn(10000, 100)

# 慢：Python for 循环
t0 = time.time()
out1 = np.empty_like(X)
for i in range(len(X)):
    out1[i] = X[i] - X[i].mean()
print(f"for 循环: {time.time()-t0:.3f}s")

# 快：向量化 + 广播（每行均值，axis=1 保留维度）
t0 = time.time()
out2 = X - X.mean(axis=1, keepdims=True)
print(f"向量化: {time.time()-t0:.3f}s")
print("结果一致:", np.allclose(out1, out2))

提速套路：

1. 逐元素运算：+ - * / **、np.sqrt、np.abs 等 ufunc 直接作用于数组。

2. 聚合：sum/mean/max 带 axis 参数（axis=0 列、axis=1 行），配合 keepdims=True 保留维度做广播。

3. 条件替换：np.where(cond, a, b) 替代循环 if-else。

4. 累积/窗口：np.cumsum、np.diff 替代手写循环。

5. 还不够快（复杂循环）：用 Numba（@njit 装饰）或 Cython。

注意：

• np.vectorize 名字唬人，本质还是 Python 循环，不加速。
• 向量化最大的收益在"循环体很小但次数很多"的场景；复杂逻辑拆不出向量运算时，Numba 是更好的选择。
• 写完后用 np.allclose(向量化结果, 循环结果) 验证正确性再换。