Python/Numpy 数组如何随着数组维度的增加而扩展？
这是基于我在为这个问题对 Python 代码进行基准测试时注意到的一些行为：如何使用 numpy 切片表达这个复杂的表达式
问题主要涉及索引以填充数组。我发现在 Python 循环中使用（不是很好）Cython 和 Numpy 版本的优势因所涉及数组的大小而异。Numpy 和 Cython 都在一定程度上体验到了越来越大的性能优势（大致在对于 Cython 和对于我笔记本电脑上的 Numpy），之后它们的优势下降（Cython 功能仍然是最快的）。
这个硬件定义了吗？在处理大型阵列方面，对于性能得到提升的代码，应该遵循哪些最佳实践？
这个问题（Why is not my Matrix-Vector Multiplication Scaling?）可能是相关的，但我有兴趣了解更多关于 Python 中处理数组的不同方式如何相对于彼此进行缩放。
我不知道这个基准测试是如何完成的，但可能是浮点数，在 Python 中默认为双精度数。尺寸分别对应于和. 这些是（有点旧的）AMD CPU 的 L1 和 L2 缓存大小的合理值。可以肯定的是，我做了自己的基准测试：
def timeit(size):
t0 = time.time()
for _ in xrange(10):
np.random.random(size)
return time.time() - t0
sizes = np.logspace(1, 6, 40)
times = [timeit(s) for s in sizes]
这个基准有一些问题，首先，我没有禁用垃圾收集，我正在计算总和，不是最好的时间，但请耐心等待。
它所花费的时间与数组的大小成正比，但是围绕大小的斜率会发生变化. 这是一个数组，即 i5（我的电脑）的 L1 缓存的大小。
是否应该担心缓存大小？作为一般规则，我说不。在 Python 中对其进行优化意味着使代码更加复杂，从而获得可疑的性能提升。不要忘记 Python 对象会增加一些难以跟踪和预测的开销。我只能想到两种情况，这是一个相关因素：
在评论中，Evert 提到了 CArray。请注意，即使可以工作，开发也已停止，并且已作为独立项目被放弃。该功能将包含在Blaze中，这是一个正在进行的项目，旨在制作“新一代 Numpy”。