我认为这个问题突出了（某种程度上）从高级语言调用预编译函数的局限性。假设在C ++中，您编写如下内容：
for (int i = 0; i != N; ++i) a[i] = b[i] + c[i] + 2 * d[i];
编译器会在编译时看到整个表达式。它可以在这里做很多非常聪明的事情，包括优化临时文件（以及循环展开）。
但是在python中，请考虑发生了什么：当您使用numpy时，每个``+”都会在np数组类型上使用运算符重载（它们只是连续内存块的薄包装，即低级数组），并调出到一个fortran（或C
++）函数，该函数可以非常快速地执行添加操作。但是它只是做一个加法，并吐出一个临时值。
我们可以看到，虽然numpy很棒，方便且相当快，但它却使速度变慢，因为虽然看起来它正在调用一种快速的编译语言来进行艰苦的工作，但编译器却看不到整个程序，只喂一些孤立的小片段。这对编译器非常不利，特别是现代的编译器，它们非常聪明，当编写良好的代码时，每个周期可以退出多个指令。
另一方面，Numba使用了jit。因此，在运行时，它可以确定不需要临时工，并对其进行优化。基本上，Numba可以将程序作为一个整体进行编译，numpy只能调用本身已预先编译的小原子块。
