Python np矢量化不使用核心

我将python 3与numpy一起使用，numpy操作似乎很好地使用了我的所有核心，但当我使用带有np.vectorize的函数时，例如：

f = lambda x: (x*1000) / 20 * 15 + 3
v_func = np.vectorize(f) 
v_func(arr) 

它长时间只使用一个内核（根据cpu利用率图表）

---

如何将其与numpy的多核功能结合使用

这可以使用numexpr库通过以下代码完成：

import numexpr as ne
import numpy as np

data = list(range(1000))
arr = np.array(range(100000))
b = ne.evaluate("(arr * 1000) / 25 * 15 + 3")
print(b)

---

此库正在创建一个矢量化函数，该函数确实利用了多线程功能，正如所解释的那样

lambda和

矢量化

实际上都不是numpy意义上的矢量化

vectorize

是一种名称混乱的便利方法，基本上是python

for

循环。

arr=（arr*1000）/25*15+3

是矢量化的。将数组视为标量。出于某种原因，许多人中途停止阅读

np.vectorize

文档，并错过了有关性能的免责声明<代码>实现本质上是一个for循环。好的，那么有没有一种方法可以使用现有的numpy工具实现更有效的东西呢？请查看

numexpr

模块。