numba，让python速度提高百倍

python因为它动态解释性语言的特性，跑起代码来相比java、c++要慢不少，尤为在作科学计算的时候，十亿百亿级别的运算，让python的这种劣势更加凸显。html

办法永远比困难多，numba就是解决python慢的一大利器，可让python的运行速度提高上百倍！java

什么是numba？

numba是一款能够将python函数编译为机器代码的JIT编译器，通过numba编译的python代码（仅限数组运算），其运行速度能够接近C或FORTRAN语言。python

python之因此慢，是由于它是靠CPython编译的，numba的做用是给python换一种编译器。c++

python、c、numba三种编译器速度对比数据库

使用numba很是简单，只须要将numba装饰器应用到python函数中，无需改动本来的python代码，numba会自动完成剩余的工做。数组

import numpy as np
import numba
from numba import jit

@jit(nopython=True) # jit，numba装饰器中的一种
def go_fast(a): # 首次调用时，函数被编译为机器代码
    trace = 0
    # 假设输入变量是numpy数组
    for i in range(a.shape[0]):   # Numba 擅长处理循环
        trace += np.tanh(a[i, i]) 
    return a + trace

以上代码是一个python函数，用以计算numpy数组各个数值的双曲正切值，咱们使用了numba装饰器，它将这个python函数编译为等效的机器代码，能够大大减小运行时间。函数

numba适合科学计算

numpy是为面向numpy数组的计算任务而设计的。oop

在面向数组的计算任务中，数据并行性对于像GPU这样的加速器是很天然的。Numba了解NumPy数组类型，并使用它们生成高效的编译代码，用于在GPU或多核CPU上执行。特殊装饰器还能够建立函数，像numpy函数那样在numpy数组上广播。性能

什么状况下使用numba呢？学习

使用numpy数组作大量科学计算时
使用for循环时

学习使用numba

第一步：导入numpy、numba及其编译器

import numpy as np
import numba 
from numba import jit

第二步：传入numba装饰器jit，编写函数

# 传入jit，numba装饰器中的一种
@jit(nopython=True) 
def go_fast(a): # 首次调用时，函数被编译为机器代码
    trace = 0
    # 假设输入变量是numpy数组
    for i in range(a.shape[0]):   # Numba 擅长处理循环
        trace += np.tanh(a[i, i])  # numba喜欢numpy函数
    return a + trace # numba喜欢numpy广播

　　nopython = True选项要求彻底编译该函数（以便彻底删除Python解释器调用），不然会引起异常。这些异常一般表示函数中须要修改的位置，以实现优于Python的性能。强烈建议您始终使用nopython = True。

第三步：给函数传递实参

# 由于函数要求传入的参数是nunpy数组
x = np.arange(100).reshape(10, 10) 
# 执行函数
go_fast(x)

第四步：经numba加速的函数执行时间

% timeit go_fast(x)

输出：3.63 µs ± 156 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

第五步：不经numba加速的函数执行时间

def go_fast(a): # 首次调用时，函数被编译为机器代码
    trace = 0
    # 假设输入变量是numpy数组
    for i in range(a.shape[0]):   # Numba 擅长处理循环
        trace += np.tanh(a[i, i])  # numba喜欢numpy函数
    return a + trace # numba喜欢numpy广播

x = np.arange(100).reshape(10, 10) 
%timeit go_fast(x)

　　输出：136 µs ± 1.09 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

结论：

在numba加速下，代码执行时间为3.63微秒/循环。不通过numba加速，代码执行时间为136微秒/循环，二者相比，前者快了40倍。

numba让python飞起来

前面已经对比了numba使用先后，python代码速度提高了40倍，但这还不是最快的。

此次，咱们不使用numpy数组，仅用for循环，看看nunba对for循环到底有多钟爱！

# 不使用numba的状况
def t():
    x = 0
    for i in np.arange(5000):
        x += i
    return x
%timeit(t())

输出：408 µs ± 9.73 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

# 使用numba的状况
@jit(nopython=True) 
def t():
    x = 0
    for i in np.arange(5000):
        x += i
    return x
%timeit(t())

输出：1.57 µs ± 53.8 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

使用numba先后分别是408微秒/循环、1.57微秒/循环，速度整整提高了200多倍！

结语

numba对python代码运行速度有巨大的提高，这极大的促进了大数据时代的python数据分析能力，对数据科学工做者来讲，这真是一个lucky tool ！

固然numba不会对numpy和for循环之外的python代码有很大帮助，你不要期望numba能够帮你加快从数据库取数，这点它真的作不到哈。

若是你们想要学习更多的python数据分析知识，请关注个人公众号：pydatas

回复：数据分析，可领取《利用python进行数据分析第二版》电子书

原文出处：https://www.cnblogs.com/zhuwjwh/p/11401215.html