GPU加速的NumPy替代品（需NVIDIA GPU），相同API但速度提升10-100倍。

适用场景：大规模数值计算、矩阵运算。

安装：pip install cupy-cuda11x（根据CUDA版本选择）

    

 
支持自动微分、GPU/TPU加速，兼容NumPy API，适合高性能数值计算和机器学习。

优势：即时编译（JIT）、自动并行化。

安装：pip install jax jaxlib

    

 
并行计算库，可处理大于内存的数据集，兼容Pandas/NumPy API。

适用场景：分布式计算或内存不足时。

安装：pip install dask

 
基于Rust编写，多核并行处理，比Pandas快5-10倍，内存效率更高。

API类似Pandas，支持惰性评估。

安装：pip install polars
    

 
惰性计算、零内存复制，适合超大数据集（如TB级）。

优势：虚拟列、快速聚合。

安装：pip install vaex
    

 
分布式Pandas后端（基于Ray或Dask），无需修改代码即可加速。

适用场景：透明扩展Pandas到多核/集群。

安装：pip install modin

 
将Python函数编译为机器码，加速数值计算（需装饰器标注）。

适用场景：优化循环或数学密集型函数。

安装：pip install numba

    

 
虽然主要用于深度学习，但其张量操作在CPU/GPU上远超NumPy。

适用场景：矩阵运算、自动微分。

    

 
提供高效内存格式，与Polars/Vaex等集成，加速I/O操作。

安装：pip install pyarrow

性能对比示例

选择建议

 
GPU可用 → 优先尝试 CuPy 或 JAX。

大数据处理 → 选 Polars（单机）或 Dask（分布式）。

无需改代码 → 用 Modin 无缝替换Pandas。

数学密集型函数 → Numba 编译优化。

这些库通常通过并行化、惰性计算、内存优化

    

 
最好设计成可插拔的方式，可以方便地切换某个工具