对于大型数组，向量化numpy操作是最快的。如果必须循环，请首选xrange/range，避免使用np.arange。
在numpy中，你应该使用矢量化计算ufuncs和indexing的组合来解决你的问题，因为它以C的速度运行。
（就像你的问题中的第一句话所暗示的那样，你能做的最糟糕的事情就是用range或np.arange创建的索引迭代数组，但我不确定你是否真的是这个意思。）

import numpy as np
import sys

sys.version
# out: '2.7.3rc2 (default, Mar 22 2012, 04:35:15) \n[GCC 4.6.3]'
np.version.version
# out: '1.6.2'

size = int(1E6)

%timeit for x in range(size): x ** 2
# out: 10 loops, best of 3: 136 ms per loop

%timeit for x in xrange(size): x ** 2
# out: 10 loops, best of 3: 88.9 ms per loop

# avoid this
%timeit for x in np.arange(size): x ** 2
#out: 1 loops, best of 3: 1.16 s per loop

# use this
%timeit np.arange(size) ** 2
#out: 100 loops, best of 3: 19.5 ms per loop

所以对于这种情况，如果你做得对，numpy比使用xrange快4倍。根据你的问题，numpy可以比4或5倍的速度快得多。
this question的答案解释了对于大型数据集使用numpy数组而不是python列表的更多优点。

首先，正如@bmu所写的，* 您应该使用向量化计算、ufuncs和索引的组合 *。确实有一些情况需要显式循环，但这种情况非常罕见。
如果需要显式循环，那么在Python 2.6和2.7中，你应该使用 xrange（见下文），从你所说的来看，在Python 3中，range 和 xrange 是一样的（返回一个生成器），所以也许 range 同样适合你。
现在，您应该亲自尝试一下（使用timeit：- 这里是ipython的“神奇函数”）：

%timeit for i in range(1000000): pass
[out] 10 loops, best of 3: 63.6 ms per loop

%timeit for i in np.arange(1000000): pass
[out] 10 loops, best of 3: 158 ms per loop

%timeit for i in xrange(1000000): pass
[out] 10 loops, best of 3: 23.4 ms per loop

同样，如上所述，大多数情况下可以使用numpy向量/数组公式（或ufunc等），它们运行c速度：快得多。这就是我们可以称之为“向量编程”的东西。它使程序比C更容易实现（也更具可读性），但最终几乎一样快。

这取决于：对于较小的范围，Python的range(...)速度更快，然而，numpy的np.arange(...)伸缩性很好，在较大的范围内表现更好：

请查找基准测试代码here。在MacBook Pro M1上运行Python 3.11和numpy 1.23.5
这个问题是从性能的Angular 出发的（这是完全正确的）。然而，我发现可用性/可维护性的Angular 同样重要：导入numpy来创建一个范围是很糟糕的，反之亦然：使用range的大量numpy驱动的代码感觉不对。
还要记住，np.arange对非整数步长有更好的支持。