我只是为了好玩而写了一个使用numpy的“ d4”：
from numpy import dotdef d4(v1, v2): check(v1, v2) return dot(v1, v2)
我的结果（Python 2.5.1，XP Pro sp3、2GHz Core2 Duo T7200）：
d0 elapsed: 12.1977242918d1 elapsed: 13.885232341d2 elapsed: 13.7929552499d3 elapsed: 11.0952246724
过去了d4：56.3278584289＃变得麻木了！
而且，为了获得更多乐趣，我打开了psyco：
d0 elapsed: 0.965477735299d1 elapsed: 12.5354792299d2 elapsed: 12.9748163524d3 elapsed: 9.78255448667
过去的d4：54.4599059378
基于此，我宣布d0为赢家:)
更新资料
@ kaiser.se：我可能应该提到我确实先将所有内容转换为numpy数组：
from numpy import arrayv3 = [array(vec) for vec in v1]v4 = [array(vec) for vec in v2]# thent4 = timeit.Timer("d4(v3,v4)","from dot_product import d4,v3,v4")我包括了，
check(v1,v2)因为它包含在其他测试中。放弃它会给numpy一个不公平的优势（尽管看起来它可以使用一个）。数组转换减少了大约一秒钟（比我想象的要少得多）。
我所有的测试均以N = 50进行。
@nikow：我使用的numpy 1.0.4无疑是旧的，自从我安装了numpy以来，它们在过去一年半的时间里肯定有提高的表现。
更新＃2
@ kaiser.se哇，您完全正确。我一定一直以为这些是列表列表或其他内容（我真的不知道我在想什么……对编程为+1）。
看起来如何：
v3 = array(v1)v4 = array(v2)
新结果：
d4 elapsed: 3.22535741274
使用Psyco：
d4 elapsed: 2.09182619579
d0仍然可以通过Psyco获胜，但是numpy总体上可能更好，尤其是对于较大的数据集。
昨天，我对缓慢的numpy结果感到不安，因为numpy可能用于 大量 计算并且已经进行了很多优化。显然，尽管如此，我还是不愿意去检查我的结果:)
