python由於它動態解釋性語言的特性，跑起代碼來相比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的運行速度提升上百倍！
什么是numba？
numba是一款可以將python函數編譯為機器代碼的JIT編譯器，經過numba編譯的python代碼（僅限數組運算），其運行速度可以接近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函數中，無需改動原本的python代碼，numba會自動完成剩余的工作。
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): # 首次調用時，函數被編譯為機器代碼
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，我們使用了numba裝飾器，它將這個python函數編譯為等效的機器代碼，可以大大減少運行時間。
numba適合科學計算
numpy是為面向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這樣的加速器是很自然的。Numba了解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。特殊裝飾器還可以創建函數，像numpy函數那樣在numpy數組上廣播。
什么情況下使用numba呢？
- 使用numpy數組做大量科學計算時
- 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，函數被編譯為機器代碼
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選項要求完全編譯該函數（以便完全刪除Python解釋器調用），否則會引發異常。這些異常通常表示函數中需要修改的位置，以實現優於Python的性能。強烈建議您始終使用nopython = True。
# 因為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，函數被編譯為機器代碼
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，代碼執行時間為3.63微秒/循環。不經過numba加速，代碼執行時間為136微秒/循環，兩者相比，前者快了40倍。
numba讓python飛起來
前面已經對比了numba使用前后，python代碼速度提升了40倍，但這還不是最快的。
這次，我們不使用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前后分別是408微秒/循環、1.57微秒/循環，速度整整提升了200多倍！
結語
numba對python代碼運行速度有巨大的提升，這極大的促進了大數據時代的python數據分析能力，對數據科學工作者來說，這真是一個lucky tool ！
當然numba不會對numpy和for循環以外的python代碼有很大幫助，你不要指望numba可以幫你加快從數據庫取數，這點它真的做不到哈。
如果大家想要學習更多的python數據分析知識，請關注我的公眾號：pydatas
回復：數據分析，可領取《利用python進行數據分析 第二版》電子書
