我可以用Numba修饰f和g吗？
不可以。不能在@njit修饰的Numba函数中使用CPython对象。Numba之所以快主要是因为原生类型（支持生成快速编译代码，而不是解释动态代码）。
如果不是，将gMap到A的元素的最快方法是什么？
交错数组的效率很低。一般来说，快速解决这个问题的方法是使用2个数组：一个包含所有值，另一个包含每行的值的起始-结束范围（有点像稀疏矩阵，但使用范围）。存储每个段的长度也可以（而且更紧凑），尽管起始-结束范围需要累积和，这有时会使事情更复杂（例如，依赖性妨碍直接并行化）。

要创建@Jérôme Richard提到的非交错数组，我们可以这样做：

# Imports.
import numpy as np
from numba import njit, prange

# Data.
A_list = [[2, 5], [4, 5, 6, 7], [0, 8], [6, 7], [1, 8], [0, 1], [1, 3], [1, 3], [2, 4]]
B_list = [1, 1, 1, 1, 1, 1, 1, 1, 1]

A_lenghts = np.array([len(sublist) for sublist in A_list])
dim1 = len(A_list)
dim2 = A_lenghts.max()
A = np.empty(shape=(dim1, dim2), dtype=int) # 9x4.
for i, (sublist, length) in enumerate(zip(A_list, A_lenghts)):
    A[i, :length][:] = sublist

B = np.array(B_list, dtype=int)
assert A.shape[0] == B.size

数组A看起来如下所示：

array([[      2,       5, xxxxxx, xxxxxx],
       [      4,       5,      6,      7],
       [      0,       8, xxxxxx, xxxxxx],
       [      6,       7, xxxxxx, xxxxxx],
       [      1,       8, xxxxxx, xxxxxx],
       [      0,       1, xxxxxx, xxxxxx],
       [      1,       3, xxxxxx, xxxxxx],
       [      1,       3, xxxxxx, xxxxxx],
       [      2,       4, xxxxxx, xxxxxx]])

xxxxxx是我们得到的随机值，因为我们用np.empty创建了数组，这就是为什么要保留A_lengths，以确定每行数据在哪里变得不相关。
回到计算，我刚刚添加了对f的优化：@njit(parallel=True)装饰器和numba.prange，而不是Python的range。

# Calculations.
@njit(fastmath=True)
def g(a, b):
    return 19.12 / (len(a) + len(b))

@njit(parallel=True)
def f(A, B):
    total = 0.0
    for i in prange(len(B)):
        total += g(A[i], B)
    return total

# Test.
print(f(A, B))