python numba讲解

  由于python有动态解释性语言的特性，跑起代码来相比java、c++要慢很多，尤其在做科学计算的时候，十亿百亿级别的运算，让python的这种劣势更加凸显。

  因此就出现了解决python慢的一大利器numba，可以让python的运行速度提升上百倍甚至更多！

  numpy是为面向numpy数组的计算任务而设计的。

  Numba把NumPy数组类型生成高效的编译代码，用于在GPU或多核CPU上执行。

  在做大量科学计算时和使用for循环数据较多时，尽量使用numba。

一：什么是numba

  numba是一款可以将python函数编译为机器代码的JIT编译器，经过numba编译的python代码（仅限数组运算），其运行速度可以接近C或FORTRAN语言。


  numba的作用是给python换一种编译器。让代码直接转成机器码运行。

二：如何使用numba

  使用numba非常简单，只需要将numba装饰器应用到python函数中，无需改动原本的python代码，numba会自动完成剩余的工作。那么怎么使用呢，下面有一个例子。


1.计算numpy数组各个数值的双曲正切值。


(1)导入numpy、numba及其编译器

import numpy as np
import numba
from numba import jit

(2)传入numba装饰器jit，编写函数

# nopython = True 选项要求完全编译该函数（以便完全删除Python解释器调用），否则会引发异常
@jit(nopython=True) # jit，numba装饰器中的一种
def go_fast2(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

(3)给函数传递实参

# 因为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)

(4)经numba加速的函数执行时间

% timeit go_fast(x)

(5)结果输出

3.63 µs ± 156 ns  #加速后
136 µs ± 1.09 µs  #不加速

快了40倍。

2.nunba对for循环的加速
(1)代码

# 普通函数
def go_fast1(): # 首次调用时，函数被编译为机器代码
    x = 0
    for i in np.arange(5000):
        x += i
    return x


# nopython = True选项要求完全编译该函数（以便完全删除Python解释器调用），否则会引发异常
@jit(nopython=True) # jit，numba装饰器中的一种
def go_fast2(): # 首次调用时，函数被编译为机器代码
    x = 0
    for i in np.arange(5000):
        x += i
    return x

(2)结果输出

1.57 µs ± 53.8 ns #加速后
408 µs ± 9.73 µs  #不加速

快了200倍。


  numba对python代码运行速度有巨大的提升，这极大的促进了大数据时代的python数据分析能力，但不会对numpy和for循环以外的python代码有很大帮助，对数据科学工作者来说，这真是一个好技术！