python数组循环语句_Python中循环操作和Numpy数组运算性能优化——Numba使用介绍...

直到遇到Numba，才知道“一行代码让Python的运行速度提高100倍” 的论调 ，并不是哗众取宠。

Numba

Numba最初是由Continuum Analytics内部开发，此公司也开发了著名的Anaconda，但现在它是开源的。

Numba是Python的

即时编译器

，它最适用于使用

NumPy数组和函数

以及

循环

的代码，能够大幅提高直接使用Python编写的函数的运算速度。

Numba使用行业标准的LLVM编译器库

在运行时

将Python函数转换为优化的机器代码。 Python中的Numba编译数值算法可以接近C、C++或Fortran的速度，且无需改变Python的解释器。只需将其中一个Numba装饰器应用到Python函数中，Numba就会完成剩下的工作。

专为科学计算而生

Python 本身由于其动态语言的本质，并不适合于计算量很大的科学计算。然而 Numpy 提供的带类型的数据结构，以及预编译好的基于 C 或 Fortran 的高速计算库，补足了Python计算性能短板，而Numba无疑直接给Python计算性能装了一个发动机。

Numba旨在与NumPy阵列和功能一起使用。 Numba为不同的阵列数据类型和布局生成专门的代码，特殊装饰器可以创建通用功能，可以像NumPy函数那样在NumPy数组上进行广播。同时鉴于可以支持异构计算，加速效果可能比裸C写得还好。

这对于那些用Python做高密度的计算或者人工智能的场景而言非常有效。

Numba还可以与Jupyter配合使用，实现交互式计算，以及分布式执行框架，如Dask、Spark。

Numba的主要特性：

动态代码生成

为CPU和GPU硬件生成原生的代码

集成Python的科学计算库Numpy

支持环境

开箱即用的Numba支持以下环境：

Intel和AMD x86，POWER8 、 9

ARM CPU、NVIDIA和AMD GPU

Python 2.7 和 3.4+

Windows 、macOS 、Linux

大多数系统的预编译Numba二进制文件可用作conda软件包和pip可安装的轮子。

安装 Numba

在 Windows10，Python3环境中使用pip 进行安装：

pip install numba

安装过程如下：

使用 jit 加速 Python 低效的 for 语句

jit 的全称是 Just-in-time，在 Numba里面则特指 Just-in-time compilation(

即时编译

)，使用Numba来加速代码的运行，简洁易用，Numba 对源代码的修改很小，几乎是只需要加一个 @jit 修饰器就可以了。相对于Cython，使用Numba也是在性能和可读性之间的平衡。

不使用@jit，执行上述代码，发现它平均需要耗时

23

秒的时间。

接下来我们使用@jit，来看一下Numba的效率究竟多么强大。

使用了@jit只用了

0.2

秒，与不使用@jit相比，这已不是同一个数量级了，快了

100

余倍。Numba可以把各种具有很大循环的函数加到很快的速度，相比与Numpy的加速只适用于Numpy自带的函数。但要注意的是，Numba对没有循环或者只有非常小循环的函数加速效果并不明显，用不用都一样。

使用 vectorize 实现 类似于

Numpy

的 Ufunc 功能

在Numpy中有一个非常强大的功能——Ufunc (universal functions)，它可以让一个函数同时处理很多数据。比如计算一个数组中每一个元素的三角函数，只需要使用numpy.sin(n)即可，而不是要写个循环遍历计算。

若不用Numpy如何实现高效的计算呢？我们可以使用math.sin，然后写个循环再用numba加速。

除此之外，Numba也有另一个更强大的功能——

矢量化(vectorize)

。像上面的jit一样，只要添加一行

vectorize

修饰器，就可以让普通函数变成Ufunc，如下：

可以看出，用Numba.vectorize 改写的三角函数具有了和np.sin()相同的功能，而且性能表现也不比Numpy差。当遇到Numpy没有的数学函数时

，用Numba矢量化不失为一个好的选择。

除了math中的sin，它支持的其他函数列表可以在 Numba官网的 documentation中查看。

https://github.com/numba/numba