本文的文字及圖片來源於網路,僅供學習、交流使用,不具有任何商業用途,版權歸原作者所有,如有問題請及時聯絡我們以作處理

本文章來自騰訊雲 作者：Python進階者

想要學習Python？有問題得不到第一時間解決？來看看這裡“1039649593”滿足你的需求，資料都已經上傳至檔案中，可以自行下載！還有海量最新2020python學習資料。
點選檢視

python由於它動態解釋性語言的特性，跑起程式碼來相比java、c++要慢很多，尤其在做科學計算的時候，十億百億級別的運算，讓python的這種劣勢更加凸顯。

辦法永遠比困難多，numba就是解決python慢的一大利器，可以讓python的執行速度提升上百倍！

1 什麼是numba？

numba是一款可以將python函式編譯為機器程式碼的JIT編譯器，經過numba編譯的python程式碼（僅限陣列運算），其執行速度可以接近C或FORTRAN語言。

python之所以慢，是因為它是靠CPython編譯的，numba的作用是給python換一種編譯器。

python、c、numba三種編譯器速度對比

使用numba非常簡單，只需要將numba裝飾器應用到python函式中，無需改動原本的python程式碼，numba會自動完成剩餘的工作。

import numpy as np
import numba
from numba import
 
 jit

@jit(nopython=True) # jit，numba裝飾器中的一種
def go_fast(a): # 首次呼叫時，函式被編譯為機器程式碼
    trace = 0
    # 假設輸入變數是numpy陣列
    for i in range(a.shape[0]):   # Numba 擅長處理迴圈
        trace += np.tanh(a[i, i]) 
    return a + trace

以上程式碼是一個python函式，用以計算numpy陣列各個數值的雙曲正切值，我們使用了numba裝飾器，它將這個python函式編譯為等效的機器程式碼，可以大大減少執行時間。

2 numba適合科學計算

numpy是為面向numpy陣列的計算任務而設計的。

在面向陣列的計算任務中，資料並行性對於像GPU這樣的加速器是很自然的。Numba瞭解NumPy陣列型別，並使用它們生成高效的編譯程式碼，用於在GPU或多核CPU上執行。特殊裝飾器還可以建立函式，像numpy函式那樣在numpy陣列上廣播。

什麼情況下使用numba呢？

使用numpy陣列做大量科學計算時
使用for迴圈時
3 學習使用numba

第一步：匯入numpy、numba及其編譯器

import numpy as np
import numba 
from numba import jit

第二步：傳入numba裝飾器jit，編寫函式

# 傳入jit，numba裝飾器中的一種
@jit(nopython=True) 
def go_fast(a): # 首次呼叫時，函式被編譯為機器程式碼
    trace = 0
    # 假設輸入變數是numpy陣列
    for i in range(a.shape[0]):   # Numba 擅長處理迴圈
        trace += np.tanh(a[i, i])  # numba喜歡numpy函式
    return a + trace # numba喜歡numpy廣播

nopython =
True選項要求完全編譯該函式（以便完全刪除Python直譯器呼叫），否則會引發異常。這些異常通常表示函式中需要修改的位置，以實現優於Python的效能。強烈建議您始終使用nopython
= True。

第三步：給函式傳遞實參

# 因為函式要求傳入的引數是nunpy陣列
x = np.arange(100).reshape(10, 10) 
# 執行函式
go_fast(x)

第四步：經numba加速的函式執行時間

% timeit go_fast(x)

輸出：

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

第五步：不經numba加速的函式執行時間

def go_fast(a): # 首次呼叫時，函式被編譯為機器程式碼
    trace = 0
    # 假設輸入變數是numpy陣列
    for i in range(a.shape[0]):   # Numba 擅長處理迴圈
        trace += np.tanh(a[i, i])  # numba喜歡numpy函式
    return a + trace # numba喜歡numpy廣播

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

輸出：

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

結論：

在numba加速下，程式碼執行時間為3.63微秒/迴圈。不經過numba加速，程式碼執行時間為136微秒/迴圈，兩者相比，前者快了40倍。

4 numba讓python飛起來

前面已經對比了numba使用前後，python程式碼速度提升了40倍，但這還不是最快的。

這次，我們不使用numpy陣列，僅用for迴圈，看看nunba對for迴圈到底有多鍾愛！

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

輸出：

408 µs ± 9.73 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
# 使用numba的情況
@jit(nopython=True) 
def t():
    x = 0
    for i in np.arange(5000):
        x += i
    return x
%timeit(t()) 

輸出：

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

使用numba前後分別是408微秒/迴圈、1.57微秒/迴圈，速度整整提升了200多倍！

5 結語

numba對python程式碼執行速度有巨大的提升，這極大的促進了大資料時代的python資料分析能力，對資料科學工作者來說，這真是一個lucky tool ！

當然numba不會對numpy和for迴圈以外的python程式碼有很大幫助，你不要指望numba可以幫你加快從資料庫取數，這點它真的做不到哈。