与Python语义的偏差

边界检查

默认情况下，在Numba编译的函数中访问数组的越界索引不会引发 IndexError ，而是返回无效值或导致访问冲突错误（它从无效的内存位置读取）。可以通过jit装饰器的 boundscheck 选项在特定函数上启用边界检查。此外，可以将 NUMBA_BOUNDSCHECK 设置为0或1以全局覆盖此标志。

备注

边界检查会减慢典型函数的运行速度，因此建议仅在调试目的时使用此标志。

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）将会泄漏。这是一个已知问题，将会得到修复，但在此期间，最好在不会引发异常的函数外部进行内存分配。

整数宽度

虽然 Python 有任意大小的整数，但在 Numba 编译的函数中，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、产生未定义结果或溢出。

如果需要对整数宽度进行精细控制，可以通过显式类型指定来覆盖类型推断。

参见

增强提案1：整数类型的变化

布尔取反

在Python布尔值上调用按位补码运算符（~ 运算符）会返回一个整数，而在Numpy布尔值上调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 模式中，Numba 冻结了全局变量和闭包变量：Numba 编译的函数在编译时看到这些变量的值。此外，无法从函数中更改这些变量的值。

Numba 可能或可能不 复制编译函数内部引用的全局变量。小的全局数组会被复制，以便在假设不可变性的情况下进行潜在的编译器优化。然而，大的全局数组不会被复制以节省内存。”小”和”大”的定义可能会有所变化。

变量的零初始化

Numba 在运行时不跟踪变量的生命周期。为了实现简单，所有变量都被初始化为零。例如:

from numba import njit

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

foo()