编辑添加：我认为numba基准不公平，以下注意事项

我正在尝试对以下用例进行数值处理数据的不同方法的基准测试：

1. 相当大的数据集（超过100,000条记录）
2. 100行以上相当简单的代码（z = x + y）
3. 不需要排序或索引
   换句话说，不需要序列和数据框的全部通用性，尽管它们在此处包含在b / c中，它们仍然是封装数据的便捷方法，并且通常存在预处理或后处理，这确实需要熊猫的通用性。 numpy数组。

问题：根据此用例，以下基准是否合适？如果不合适，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

def proc_arr():
   x = np.random.randn(nobs)
   y = np.random.randn(nobs)
   for i in range(nlines):
      z = x + y
   return z

@jit
def proc_numba():
   xx = np.random.randn(nobs)
   yy = np.random.randn(nobs)
   zz = np.zeros(nobs)
   for j in range(nobs):
      x, y = xx[j], yy[j]
      for i in range(nlines):
         z = x + y
      zz[j] = z
   return zz

结果（Win 7，具有3年历史的Xeon工作站（四核）。标准和近期的Anaconda分布非常接近。）

In [1251]: %timeit proc_df()
10 loops, best of 3: 46.6 ms per loop

In [1252]: %timeit proc_ser()
100 loops, best of 3: 15.8 ms per loop

In [1253]: %timeit proc_arr()
100 loops, best of 3: 2.02 ms per loop

In [1254]: %timeit proc_numba()
1000 loops, best of 3: 1.04 ms per loop   # may not be valid result (see note below)

编辑以将df / series / array传递到函数中而不是在函数内部创建它们（例如，将包含“ randn”的代码行从内部函数移至外部函数）以添加（响应jeff）替代结果：

10 loops, best of 3: 45.1 ms per loop
100 loops, best of 3: 15.1 ms per loop
1000 loops, best of 3: 1.07 ms per loop
100000 loops, best of 3: 17.9 µs per loop   # may not be valid result (see note below)

关于numba结果的注释：我认为numba编译器必须在for循环上进行优化，并将for循环减少为单个迭代。我不知道，但这是我能提出的唯一解释，因为它不能比numpy快50倍，对吗？后续问题在这里： 为什么numba比numpy快？