python numba讲解
<p></p><div class="toc"><div class="toc-container-header">目录</div><ul><li>一：什么是numba</li><li>二：如何使用numba</li></ul></div><p></p><p> 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。<br><br>
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！<br><br>
numpy是为面向numpy数组的计算任务而设计的。<br><br>
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。<br><br>
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。<br>
<br><br></p>
<h3 id="一什么是numba">一：什么是numba</h3>
<p> 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。<br>
<br><br>
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。<br>
<br><br></p>
<h3 id="二如何使用numba">二：如何使用numba</h3>
<p> 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。<br><br><br>
<font color="yellow"> 1.计算numpy数组各个数值的双曲正切值。<br>
</font><br><br>
(1)导入numpy、numba及其编译器</p>
<pre><code class="language-javascript">import numpy as np
import numba
from numba import jit
</code></pre>
<p>(2)传入numba装饰器jit，编写函数</p>
<pre><code class="language-javascript"># 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): # Numba 擅长处理循环
trace += np.tanh(a) # numba喜欢numpy函数
return a + trace # numba喜欢numpy广播
</code></pre>
<p>(3)给函数传递实参</p>
<pre><code class="language-javascript"># 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)
</code></pre>
<p>(4)经numba加速的函数执行时间</p>
<pre><code class="language-javascript">% timeit go_fast(x)
</code></pre>
<p>(5)结果输出</p>
<pre><code class="language-javascript">3.63 µs ± 156 ns#加速后
136 µs ± 1.09 µs#不加速
</code></pre>
<p>快了40倍。</p>
<p><font color="yellow"> 2.nunba对for循环的加速 </font><br>
(1)代码</p>
<pre><code class="language-javascript"># 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
</code></pre>
<p>(2)结果输出</p>
<pre><code class="language-javascript">1.57 µs ± 53.8 ns #加速后
408 µs ± 9.73 µs#不加速
</code></pre>
<p>快了200倍。<br>
<br><br>
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！</p><br><br>
来源：https://www.cnblogs.com/ITXiaoAng/p/11704278.html
頁:
[1]