- 通常，在大型numpy数组上，joblib明显要快得多， 因为它对numpy数据结构的数组缓冲区具有特殊的处理方式。要查找实现细节，您可以查看源代码。它还可以在使用zlib或lz4进行酸洗时动态压缩这些数据。
- joblib还可以 在加载时对未压缩的Joblib腌制numpy数组的数据缓冲区 进行内存映射 ，从而可以在进程之间共享内存。
- 如果您不腌制较大的numpy数组，则常规的腌制可能会显着加快，尤其是在大型python小对象集合 （例如，较大的str对象）上，因为标准库的pickle模块是在C中实现的，而joblib是纯python。
- 由于PEP 574（Pickle协议5）已在Python 3.8中合并，因此使用标准库腌制较大的numpy数组现在效率更高（在内存方面和cpu方面）。在这种情况下，大型阵列意味着4GB或更多。
- 但是 joblib在Python 3.8中仍然有用，可以 在内存映射模式下使用 加载具有嵌套numpy数组的对象
mmap_mode="r"
。
