通常有几种方法可以做到这一点。两种常见的方法是使用原子访问或基于数组的减少。AFAIK，前者在Numba中还不可能，因为CPU还不支持原子操作。第二个解决方案可以在Numba中完成，但这并不是那么简单，因为Numba没有提供任何简单的方法来完成它（例如，与C/C++/Fortran中的OpenMP不同）。您需要手动完成这项工作。还有一个坏消息：在Numba中没有标准的方法来创建线程私有变量了。话虽如此，你可以把问题分成固定数量的块，并行计算它们，然后按顺序进行约简。这是相当麻烦，但它可能值得。下面是一个例子：

import numpy as np
from numba import njit, prange

@njit(parallel=True)
def count_stuff_parallel(stuff):
    nChunks = 8  # To tune
    count = np.zeros((nChunks, len(stuff)))
    for i1 in prange(nChunks):
        start = len(stuff) * i1 // nChunks
        stop = len(stuff) * (i1 + 1) // nChunks
        for i2 in range(start, stop):
            thing = stuff[i2]
            if some_condition(thing):
                j = some_integer_function(thing)
                count[i1, j] += 1
    return count.sum(axis=0)            # If not supported by Numba: write a loop instead

理想情况下，nChunks应该很大，或者是线程数的倍数。然而，len(stuff) / nChunks也需要相对较小，以使最终约简快速。请注意，只有在len(stuff)很大或者some_integer_function函数很慢的情况下，才值得使用多线程。

这真的取决于我认为的细节。如果你有多余的内存，一个更纯粹的Numpy方法，你一次计算所有的东西，可能会允许更好的并行化（以内存为代价）。

crit = some_condition(stuff)
idx = some_integer_function(crit)
count = np.bincount(idx)

如果没有具体的例子，就不可能说什么是最佳的。