与 Python 语义的偏差

边界检查

默认情况下，Numba 编译函数中访问数组越界索引时，不会引发 IndexError，而是返回无效值或导致访问冲突错误（因为它正在读取无效内存位置）。可以通过 jit 装饰器的 boundscheck 选项为特定函数启用边界检查。此外，可以将 NUMBA_BOUNDSCHECK 设置为 0 或 1，以全局覆盖此标志。

注意

边界检查会降低典型函数的运行速度，因此建议仅将此标志用于调试目的。

异常和内存分配

由于当前编译器在处理异常时的限制，在引发异常的函数内分配的内存（几乎总是 NumPy 数组）将泄漏。这是一个已知问题，未来会得到修复，但在此期间，最好在也可能引发异常的函数之外进行内存分配。

整数宽度

虽然 Python 具有任意大小的整数，但 Numba 编译函数中的整数通过类型推断获得固定大小（通常是机器整数的大小）。这意味着算术运算可能会回绕、产生未定义的结果或溢出。

如果需要对整数宽度进行细粒度控制，可以通过显式类型规范覆盖类型推断。

另请参阅

增强提案 1：整数类型化变更

布尔反转

对 Python 布尔值调用按位补码运算符（~ 运算符）会返回一个整数，而对 Numpy 布尔值使用相同的运算符会返回另一个布尔值。

>>> ~True
-2
>>> ~np.bool_(True)
False

Numba 遵循 Numpy 的语义。

全局变量和闭包变量

在nopython 模式下，全局变量和闭包变量被 Numba 冻结：Numba 编译的函数看到的是这些变量在函数编译时的值。此外，无法从函数内部更改它们的值。

Numba 可能或可能不复制编译函数中引用的全局变量。小的全局数组会被复制，以进行潜在的编译器优化，并假定其不可变性。但是，大的全局数组不会被复制，以节省内存。“小”和“大”的定义可能会改变。

变量的零初始化

Numba 在运行时不跟踪变量的活跃性。为了实现简单，所有变量都进行零初始化。示例

from numba import njit

@njit
def foo():
    for i in range(0):
        pass
    print(i) # will print 0 and not raise UnboundLocalError

foo()