怎么使用np.vectorize加速呢？

`np.vectorize` 函数可以将一个普通的 Python 函数转化为一个能够对 NumPy 数组进行 element-wise 运算的向量化函数。使用该函数可以简化代码，并在某些情况下提高计算效率。

下面是一个使用 `np.vectorize` 函数优化计算速度的例子：

import numpy as np

def my_func(x):
    return np.exp(-x**2)

x = np.linspace(-5, 5, 1000)
res = my_func(x)  # 原始计算方法

使用 `np.vectorize` 函数重写：

import numpy as np

def my_func(x):
    return np.exp(-x**2)

my_vectorized_func = np.vectorize(my_func)  # 将函数向量化

x = np.linspace(-5, 5, 1000)
res = my_vectorized_func(x)  # 通过向量化函数进行计算

在这个例子中，原始计算方法是直接将 `my_func` 函数应用到 `x` 数组的每个元素上。使用 `np.vectorize` 函数可以将 `my_func` 函数转化为能够对整个 `x` 数组进行 element-wise 运算的向量化函数，从而加速计算。

需要注意的是，`np.vectorize` 函数并不会真正地加速计算，其本质上还是一个 Python 函数，依然需要循环遍历数组中的每个元素。因此，在需要高效计算的场景中，最好使用 NumPy 中的 ufunc 函数。