numba，让python科学计算快一百倍

由于其动态解释语言的特点，python执行代码比java和c++慢很多，尤其是在做科学计算的时候，几十亿、几百亿的计算，这个Python的缺点更加明显。

解决办法总是比困难多。 numba是解决Python速度慢问题的好工具，可以使Python的速度提高数百倍！

numba是什么？

numba是一个JIT编译器，可以将python函数翻译成机器代码。 numba编译的Python代码（仅表操作）可以以接近C或FORTRAN的速度运行。

python之所以慢是因为它是由CPython编译的。numba的使命是将 python 改为不同的编译器。 Python、C 和 numba 编译器的速度比较

使用 numba 非常简单。您所要做的就是将 numba 装饰器应用到 python 函数。无需更改原有Python代码。numba将自动完成剩下的工作。

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

上面的代码是一个Python函数，用于计算numpy数组中每个值的双曲正切。我们使用numba装饰器，它将这个python函数编译成相应的机器代码，这样可以显着减少执行时间。

numba适合科学计算

numpy是专为面向numpy表的计算任务而设计的。

在基于矩阵的计算任务中，数据并行对于 GPU 等加速器来说是很自然的。 Numba 了解 NumPy 数组类型并使用它们为 GPU 或多核 CPU 执行生成高效的编译代码。特殊设计者还可以创建返回 numpy 数组的函数，例如 numpy 函数。

什么时候应该使用numba？

• 使用numpy表做很多科学计算时
• 使用循环时

学习如何使用numba

第一步：带上其他numpy，numba♓步骤：回车numba 装饰器 jit 并输入函数

# 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

选项 nopython=True 要求函数完全编译（以完全删除 Python 解释器调用），否则将抛出异常。这些异常通常表示需要修改函数位置以获得比 Python 更好的性能。强烈建议您始终使用 nopython=True。

第 3 步：将实际参数传递给函数

# 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)

第 4 步：numba 加速函数执行时间 3.❙ µs ± 156 ns 每个循环（平均值 ± 标准 7 次运行，100,000 次）每个循环）

第 5 步：无 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)

结果：
每个循环。 13天d.开发7次，每次10000次循环）

结论：

在numba加速下，代码的执行时间为3.63微秒/循环。如果没有numba的加速，代码的执行时间为136微秒/周期。与这两者相比，前一个快40倍。

numba 让 Python 飞起来

我对比过使用 numba 前后，Python 代码的速度提高了 40 倍，但这还不是最快的。

这次我们不使用 numpy 数组，仅使用 for 循环。让我们看看nunba有多喜欢循环！

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

输出：

408 µs ± 9.73 µs 每个循环（平均值 ± 标准开发 7 次运行，每个 1000 个循环）

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

± 5❙ .1 .1 s.8 ns 每个循环（平均值 ± 标准.7次运行，每次1000000次循环）

使用numba前后的速度分别为408微秒/周期和1.57微秒/周期。速度提升了200很多倍！

结论

numba极大地提高了Python代码的执行速度，这对于Python在大数据时代分析数据的能力做出了巨大的贡献。对于数据科学家来说，这真是一个幸运的工具！

当然，除了 numpy 和 for 循环之外，numba 对 python 代码没有任何帮助。不要指望numba会帮助您加快从数据库中检索数据的速度。这实在做不到。