numba，讓python速度提高百倍

python因爲它動態解釋性語言的特性，跑起代碼來相比java、c++要慢不少，尤爲在作科學計算的時候，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，可讓python的運行速度提高上百倍！

---

什麼是numba？

numba是一款能夠將python函數編譯爲機器代碼的JIT編譯器，通過numba編譯的python代碼（僅限數組運算），其運行速度能夠接近C或FORTRAN語言。

python之因此慢，是由於它是靠CPython編譯的，numba的做用是給python換一種編譯器。

使用numba很是簡單，只須要將numba裝飾器應用到python函數中，無需改動本來的python代碼，numba會自動完成剩餘的工做。

import numba
from numba import jit

@jit(nopython=True) # jit，numba裝飾器中的一種
def go_fast(a): # 首次調用時，函數被編譯爲機器代碼
    trace = 0
    # 假設輸入變量是numpy數組
    for i in range(a.shape[0]):   # Numba 擅長處理循環
        trace += np.tanh(a[i, i]) 
    return a + trace

以上代碼是一個python函數，用以計算numpy數組各個數值的雙曲正切值，咱們使用了numba裝飾器，它將這個python函數編譯爲等效的機器代碼，能夠大大減小運行時間。

numba適合科學計算

numpy是爲面向numpy數組的計算任務而設計的。

在面向數組的計算任務中，數據並行性對於像GPU這樣的加速器是很天然的。Numba瞭解NumPy數組類型，並使用它們生成高效的編譯代碼，用於在GPU或多核CPU上執行。特殊裝飾器還能夠建立函數，像numpy函數那樣在numpy數組上廣播。

什麼狀況下使用numba呢？

使用numpy數組作大量科學計算時
使用for循環時

學習使用numba

第一步：導入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，編寫函數

# 傳入jit，numba裝飾器中的一種
@jit(nopython=True) 
def go_fast(a): # 首次調用時，函數被編譯爲機器代碼
    trace = 0
    # 假設輸入變量是numpy數組
    for i in range(a.shape[0]):   # Numba 擅長處理循環
        trace += np.tanh(a[i, i])  # numba喜歡numpy函數
    return a + trace # numba喜歡numpy廣播

nopython = True選項要求徹底編譯該函數（以便徹底刪除Python解釋器調用），不然會引起異常。這些異常一般表示函數中須要修改的位置，以實現優於Python的性能。強烈建議您始終使用nopython = True。

第三步：給函數傳遞實參

# 由於函數要求傳入的參數是nunpy數組
x = np.arange(100).reshape(10, 10) 
# 執行函數
go_fast(x)

第四步：經numba加速的函數執行時間

% 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加速的函數執行時間

def go_fast(a): # 首次調用時，函數被編譯爲機器代碼
    trace = 0
    # 假設輸入變量是numpy數組
    for i in range(a.shape[0]):   # Numba 擅長處理循環
        trace += np.tanh(a[i, i])  # numba喜歡numpy函數
    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，代碼執行時間爲3.63微秒/循環。不通過numba加速，代碼執行時間爲136微秒/循環，二者相比，前者快了40倍。

numba讓python飛起來

前面已經對比了numba使用先後，python代碼速度提高了40倍，但這還不是最快的。
此次，咱們不使用numpy數組，僅用for循環，看看nunba對for循環到底有多鍾愛！

# 不使用numba的狀況
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的狀況
@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)

結論：使用numba先後分別是408微秒/循環、1.57微秒/循環，速度整整提高了200多倍！

結語

numba對python代碼運行速度有巨大的提高，這極大的促進了大數據時代的python數據分析能力，對數據科學工做者來講，這真是一個lucky tool ！

固然numba不會對numpy和for循環之外的python代碼有很大幫助，你不要期望numba能夠幫你加快從數據庫取數，這點它真的作不到哈。