python numba講解

目錄

• 一：什麼是numba
• 二：如何使用numba

  因爲python有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。

  所以就出現瞭解決python慢的一大利器numba，可讓python的運行速度提高上百倍甚至更多！

  numpy是爲面向numpy數組的計算任務而設計的。

  Numba把NumPy數組類型生成高效的編譯代碼，用於在GPU或多核CPU上執行。

  在作大量科學計算時和使用for循環數據較多時，儘可能使用numba。

一：什麼是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。


  numba的做用是給python換一種編譯器。讓代碼直接轉成機器碼運行。

二：如何使用numba

  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。那麼怎麼使用呢，下面有一個例子。


1.計算numpy數組各個數值的雙曲正切值。


(1)導入numpy、numba及其編譯器

import numpy as np
import numba
from numba import jit

(2)傳入numba裝飾器jit，編寫函數

# 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
@jit(nopython=True) # jit，numba裝飾器中的一種
def go_fast2(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

(3)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)

(4)經numba加速的函數執行時間

% timeit go_fast(x)

(5)結果輸出

3.63 µs ± 156 ns  #加速後
136 µs ± 1.09 µs  #不加速

快了40倍。

2.nunba對for循環的加速
(1)代碼

# 普通函數
def go_fast1(): # 首次調用時，函數被編譯爲機器代碼
    x = 0
    for i in np.arange(5000):
        x += i
    return x


# 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
@jit(nopython=True) # jit，numba裝飾器中的一種
def go_fast2(): # 首次調用時，函數被編譯爲機器代碼
    x = 0
    for i in np.arange(5000):
        x += i
    return x

(2)結果輸出

1.57 µs ± 53.8 ns #加速後
408 µs ± 9.73 µs  #不加速

快了200倍。   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，但不會對numpy和for循環之外的python代碼有很大幫助，對數據科學工做者來講，這真是一個好技術！