编辑补充：我不认为 numba 基准是公平的，下面的注释
我正在尝试对以下用例的数值处理数据的不同方法进行基准测试：
换句话说，不需要系列和数据框的完全通用性，尽管它们被包含在 b/c 中，但它们仍然是封装数据的便捷方式，并且经常有预处理或后处理确实需要熊猫的通用性numpy 数组。
问题：基于此用例，以下基准是否合适，如果不合适，我该如何改进它们？
# importing pandas, numpy, Series, DataFrame in standard way
from numba import jit
nobs = 10000
nlines = 100
def proc_df():
df = DataFrame({ 'x': np.random.randn(nobs),
'y': np.random.randn(nobs) })
for i in range(nlines):
df['z'] = df.x + df.y
return df.z
def proc_ser():
x = Series(np.random.randn(nobs))
y = Series(np.random.randn(nobs))
for i in range(nlines):
z = x + y
return z …与使用纯 python 相比，使用 numba 会产生更快的程序：
现在看来，纯 python 上的 numba 甚至（大部分时间）都比 numpy-python 快，例如https://jakevdp.github.io/blog/2015/02/24/optimizing-python-with- numpy 和 numba/。
根据https://murillogroupmsu.com/julia-set-speed-comparison/，在纯 python 代码上使用的 numba 比在使用 numpy 的 python 代码上使用的速度快。这通常是真的吗？为什么？
在/sf/answers/1816668031/中解释了为什么纯 python 上的 numba 比 numpy-python 更快：numba 看到更多的代码并且有更多的方法来优化代码，而 numpy 只看到一小部分。
这是否回答了我的问题？在使用 numpy 时，我是否会妨碍 numba 完全优化我的代码，因为 numba 被迫使用 numpy 例程而不是找到更优化的方法？我曾希望 numba 会意识到这一点，如果它没有好处，就不要使用 numpy 例程。然后它会使用 numpy 例程，只是它是一个改进（毕竟 numpy 已经过很好的测试）。毕竟“对 NumPy 数组的支持是 Numba 开发的重点，目前正在进行广泛的重构和改进。”