Numpy 是一个用于高效数值数组的库。
mpmath 在 gmpy 的支持下，是一个用于高效多精度数的库。
如何有效地将它们组合在一起？还是仅使用带有 mpmath 数字的 Numpy 数组已经很有效？
要求“与本机浮点数一样高效”是没有意义的，但您可以要求它接近等效 C 代码（或者，如果不这样做，Java/C# 代码）的效率。特别是，一个高效的多精度数字数组意味着您可以进行矢量化操作，而不必__add__在 Global Interpreter 中查找一百万次。
编辑：致亲密的选民：我的问题是关于将它们组合在一起的有效方法。可能重复中的答案特别指出，幼稚的方法效率不高。
拥有一个 dtype=object 的 numpy 数组可能会产生误导，因为强大的 numpy 机制使得使用标准 dtypes 的操作超级快，现在由默认对象的 python 运算符处理，这意味着速度不会存在不再
免责声明：我坚持gmpy2. 以下测试是使用开发版本进行的。
a并且是 1000 个元素列表，其中包含250 位精度b的伪随机值。gmpy2.mpfr该测试执行两个列表的元素乘法。
第一个测试使用列表推导：
%timeit [x*y for x,y in zip(a,b)]
1000 loops, best of 3: 322 µs per loop
第二个测试使用该map函数执行循环：
%timeit list(map(gmpy2.mul, a, b))
1000 loops, best of 3: 299 µs per loop
第三个测试是列表理解的 C 实现：
%timeit vector2(a,b)
1000 loops, best of 3: 243 µs per loop
在第三次尝试中，vector2尝试做一个表现良好的 Python 函数。使用 's 的类型转换规则处理数字类型gmpy2，完成错误检查等。检查上下文设置，如果请求则创建次正规数，如果需要则引发异常等。如果您忽略所有 Python 增强并假设所有值已经是gmpy2.mpfr，我能够在第四次尝试时缩短时间：
%timeit vector2(a,b)
10000 loops, best of 3: 200 µs per loop
第四个版本没有进行足够的错误检查以供普遍使用，但第三和第四次尝试之间的版本可能是可能的。
可以减少 Python 开销，但随着精度的提高，有效节省的费用会减少。
据我所知，没有现有的 Python 库支持对多个精度值进行矢量化数组操作。不幸的是，没有特别有效的方法可以在 numpy ndarray 中使用多个精度值，而且极不可能有，因为多个精度值与 numpy 的基本数组模型不兼容。
浮点 numpy ndarray 中的每个元素占用相同数量的字节，因此可以根据第一个元素的内存地址、维度和连续数组元素之间的常规字节偏移量（或步幅）来表示数组。
该方案具有显着的性能优势——相邻的数组元素位于相邻的内存地址，因此对数组的顺序读/写受益于更好的引用局部性。跨步对于可用性也非常重要，因为它允许您执行诸如操作同一数组的视图之类的操作，而无需在内存中创建新副本。当你这样做时x[::2]，你实际上只是将数组第一个轴上的步幅加倍，这样你就可以处理所有其他元素。
相比之下，包含多个精度值的数组必须包含大小不等的元素，因为精度较高的值会比低精度值占用更多的字节。因此，多精度数组不能有规律地跨步，并且失去了上面提到的好处。
除了构造数组的问题外，即使是多精度标量的简单算术也可能比浮点标量慢得多。几乎所有现代处理器都有专门的浮点单元，而多精度运算必须用软件而不是硬件来实现。
我怀疑这些性能问题可能是目前还没有提供您正在寻找的功能的 Python 库的重要原因。
当前的一个项目是qd，它将能够通过利用其值在内存中的固定大小来将高精度数字嵌入到 Numpy 数组中。目前，该类型可用于 Numpy，但还不能作为 dtype；但是，您已经可以将它与对象 dtype 一起使用。
（如果您想查看 dtype 的外观，您可能已经取消了使用 Numpy 支持编译它的相关行的注释；它应该可以一目了然，但尚未实现任何功能；下一个版本应该在 9 月或十月。）