共计 2928 个字符，预计需要花费 8 分钟才能阅读完成。
Python 自身是一门运行较慢的语言，因而对于计算场景，最好的优化形式就是优化代码写法。你能够应用现有的科学计算库：比方 Numpy 和 Scipy。但如果想要在不应用低级语言（如 CPython、Rust 等）实现扩大的前提下实现一个新的算法时，该如何做呢？
对于某些特定的、尤其是针对数组的计算场景，Numba 能够显著放慢代码的运行速度。在应用时，咱们有时候须要调整一下原始代码，而有时候却又不须要做任何改变。当它真正起到作用时，成果将会非常明显。
在本篇文章中，咱们谈判及以下几方面：
- 为什么 有时候独自应用 Numpy 是不够的
- Numba 的根底应用形式
- Numba 是如何在很高的档次上来对你的代码运行造成影响的
Numpy”心有余而力不足“的时刻
假如你想要将一个十分大的数组转变为按递增程序排序：很好了解，就是将元素按值的大小升序排列，如：
[1, 2, 1, 3, 3, 5, 4, 6] → [1, 2, 2, 3, 3, 5, 5, 6]以下是一个简略的就地转换形式：
def monotonically_increasing(a):
max_value = 0
for i in range(len(a)):
if a[i] > max_value:
max_value = a[i]
a[i] = max_valueNumpy 运行很快，是因为它能够在不调用 python 本身解释器的前提下实现所有计算。但对于下面这个场景（python 中的循环），就会暴露出一个问题：咱们会失去 Numpy 得天独厚的性能劣势。
对一个含有一千万个元素的 Numpy 数组应用下面的函数进行转换，在我的电脑上须要运行 2.5 秒。那么，还能够优化得更快吗？
应用 Numba 提速
Numba 是一款为 python 打造的、专门针对 Numpy 数组循环计算场景的即时编译器。显然，这正是咱们所须要的。让咱们在原有函数的根底上增加两行代码试试：
from numba import njit
@njit
def monotonically_increasing(a):
max_value = 0
for i in range(len(a)):
if a[i] > max_value:
max_value = a[i]
a[i] = max_value再次运行，发现仅须要 0.19 秒，在齐全重用旧代码逻辑的前提下，感觉成果还不错。
实际上 Numpy 也有一个非凡的函数能够解决这种场景（然而会批改原有函数的代码逻辑）：
numpy.maximum.accumulate[1]。通过应用它，函数的运行时长会缩短至 0.03 秒。
| Runtime | |
|---|---|
Python for loop |
2560ms |
Numba for loop |
190ms |
np.maximum.accumulate |
30ms |
Numba 简介
在 Numpy 或 Scipy 中找到指标函数，能够很快解决常见的计算问题。然而如果函数不存在呢？（比方刚刚的 numpy.maximum.accumulate）。这种状况下如果想减速代码运行。可能会抉择其余低级的编程语言来实现扩大[2]，但这也意味着切换编程语言，会让模块构建和零碎总体变得更简单。
应用 Numba 你能够做到：
- 应用 python 和领有更快编译速度的解释器运行同一份代码
- 简略疾速地迭代算法
Numba 首先会解析代码，而后依据数据的输出类型以即时的形式编译它们。例如，当输出是 u64 数组和浮点型数组时，别离失去的编译后果是不一样的。
Numba 还能够对非 CPU 的计算场景失效：比方你能够 在 GPU 上运行代码 [3]。诚然，上文中的示例只是 Numba 的一个最小利用，官网文档[4] 中还有很多个性可供选择。
Numba 的一些短板
须要一次代码编译耗时
当第一次调用 Numba 润饰的函数时，它须要破费肯定的工夫来生成对应的机器代码。比方，咱们能够应用 IPython 的 %time 命令来计算运行一个 Numba 润饰的函数须要破费多长时间：
In [1]: from numba import njit
In [2]: @njit
...: def add(a, b): a + b
In [3]: %time add(1, 2)
CPU times: user 320 ms, sys: 117 ms, total: 437 ms
Wall time: 207 ms
In [4]: %time add(1, 2)
CPU times: user 17 µs, sys: 0 ns, total: 17 µs
Wall time: 24.3 µs
In [5]: %time add(1, 2)
CPU times: user 8 µs, sys: 2 µs, total: 10 µs
Wall time: 13.6 µs能够看到，函数第一次调用后运行十分慢（留神单位时毫秒而不是微秒），这就是因为它须要工夫来编译生成机器代码。不过函数前面的运行速度会显著晋升。这种工夫老本在输出数据的类型发生变化时会再次耗费，比方，咱们将输出类型换为浮点数：
In [8]: %time add(1.5, 2.5)
CPU times: user 40.3 ms, sys: 1.14 ms, total: 41.5 ms
Wall time: 41 ms
In [9]: %time add(1.5, 2.5)
CPU times: user 16 µs, sys: 3 µs, total: 19 µs
Wall time: 26 µs计算两数之和当然不须要启用 Numba，这里用这个案例是因为可能比拟容易地看出编译所需的工夫老本。
与 python 和 Numpy 的不同实现形式
Numba 在性能方面能够说是实现了 python 的一个子集，也能够说是实现了 Numpy API 的一个子集，这将会导致一些潜在的问题：
- 会呈现 python 和 Numpy 局部个性都不反对的状况
- 因为 Numba 从新实现了 Numpy 的 API，在应用时可能会呈现以下状况
-
- 因为应用的不必的算法，两者的性能体现会有区别
- 可能会因为 bug 导致后果不统一
- 另外，当 Numba 编译失败时，其裸露的错误信息可能会很难了解
Numba 与其余选项的比照
- 仅应用 Numpy 和 Scipy：能够让 python 代码运行时达到其余语言编译器的速度，然而对于某些循环计算的场景不失效
- 间接应用低级语言编写代码：这意味着你能够优化所有的代码语句，然而须要摈弃 python 应用另一门语言
- 应用 Numba：能够优化 python 循环计算的场景，然而对于某些 python 语言自身和 Numpy API 的个性应用会受到限制
结语
Numba 最棒的中央在于尝试起来非常简单。因而每当你有一个做一些数学运算且运行迟缓的 for 循环时，能够尝试应用 Numba：运气好的话，它只须要两行代码就能够显著放慢代码运行速度。
以上就是本次分享的所有内容，如果你感觉文章还不错，欢送关注公众号：Python 编程学习圈，每日干货分享，发送“J”还可支付大量学习材料。或是返回编程学习网，理解更多编程技术常识。
