“我们不能再用Python，它太慢了。”

任何长期使用Python的人都可能曾经听过类似的声音。

说这句话的人也没有错。与许多其他编程语言相比，Python很慢。Benchmark game有一些比较不同编程语言在不同任务上的速度的可靠的基准。

解决这个速度问题的一个常见方法是用C++之类的快速语言重新编写代码，然后在上面抛出一个Python包装器。这将使您获得C++的速度，同时保持在主应用程序中轻松使用Python。

当然，这样做的挑战是，您必须用C++重新编写代码;这是一个非常耗时的过程。

Python库Numba为我们提供了一种简单的方法来解决这一挑战——无需编写任何代码，只需编写Python!

关于Numba

Numba是一个编译器库，它将Python代码转换为优化的机器码。通过这种转换，Numba可以使用Python编写的数值算法达到C代码的速度。

您也不需要对Python代码做任何花哨的操作。只需在要优化的Python函数之前添加一行代码，Numba将完成其余的工作!

我们可以使用pip安装Numba：

pip install numba

如果您的代码有很多数值运算，经常使用Numpy，并且/或者有很多循环，那么Numba应该会给您一个很好的加速。

加速Python循环

Numba最基本的用途是加速那些可怕的Python for循环。

首先，如果在Python代码中使用循环，首先检查是否可以用numpy函数替换它总是一个好主意。当然，在某些情况下numpy没有您想要的功能。

在我们的第一个例子中，我们将用Python为插入排序算法编写一个函数。该函数将接受一个未排序的列表作为输入，并返回排序后的列表作为输出。

下面的代码首先构造一个包含100,000个随机整数的列表。然后，我们连续50次对列表应用插入排序，并测量所有50个排序操作的平均速度。

100000个数字是需要排序的相当多的数字，特别是当我们的排序算法的平均复杂度为O（n²）时。在我的i7–8700K电脑上，对所有这些数字进行排序平均需要3.0104秒！



众所周知，Python循环很慢。更糟糕的是，在我们的例子中，for循环中有一个while循环。另外,因为我们的排序算法是O (n²),当我们添加更多的项目列表,我们的运行时增加成平方!

让我们用numba加快速度。

当我们看到一个函数包含用纯Python编写的循环时，这通常是numba能够提供帮助的一个好迹象。查看下面的代码，看看它是如何工作的。



我们的代码只增加了两行。第一个是导入jit修饰器的import语句。第二个问题是我们在函数上使用了jit修饰器。

将jit装饰器应用于函数向numba发出信号，表示我们希望将转换应用于机器码到函数。

nopython参数指定我们是希望Numba使用纯机器码，还是在必要时填充一些Python代码。通常应该将这个值设置为true以获得最佳性能，除非您在这时发现Numba抛出了一个错误。

就是这样!只要在函数上面添加@jit(nopython=True)， Numba就会处理剩下的事情!

在我的电脑上，整理所有这些数字平均需要0.1424秒——这是21倍的速度!

加速Numpy操作

Numba的另一个亮点是加快了对Numpy的操作。这次，我们将把3个相当大的数组加在一起，大约是一个典型图像的大小，然后使用numpy.square()函数对它们进行平方。

查看下面的代码，看看在带有Numpy的Python中如何工作。



注意，每当我们对Numpy数组进行基本数组计算(如加法、相乘和平方)时，代码都会自动由Numpy在内部向量化。这就是为什么在可能的情况下，用Numpy替换纯Python代码通常会提高性能。

上面的代码在我的PC上组合数组的平均运行时间为0.002288秒。

但是即使是Numpy代码也没有Numba优化后的机器代码快。下面的代码将执行与前面相同的数组操作。这一次，我们在函数的上方添加了vectorize装饰器，向numba发出信号，它应该对我们的函数执行机器码转换。



vectorize装饰器接受两个输入。

第一个指定要操作的numpy数组的输入类型。这必须指定，因为Numba使用它将代码转换为最优版本。通过事先了解输入类型，Numba将能够准确地计算出如何最有效地存储和操作数组。

第二个输入称为“目标”。它指定要如何运行你的功能:

• cpu:用于在单个cpu线程上运行


• 并行:用于在多核多线程CPU上运行


• cuda:在GPU上运行

几乎在所有情况下，并行选项都比cpu选项快得多。cuda选项主要用于具有许多并行操作的非常大的阵列，因为在这种情况下，我们可以充分利用GPU上有这么多核心的优势。

上面的代码在我的PC上组合数组的平均运行时间为0.001196秒——大约是2倍的加速。添加一行代码也不错!

它总是这么快吗？

当应用以下这些领域中，Numba将是最有效的:

• Python代码比C代码慢的地方(通常是循环)


• 将相同操作应用于某个区域的位置（即对多个元素执行相同操作）

在这些区域之外，Numba可能不会给您提供太快的速度。因为在这种情况下，转换到较低级别代码所带来的优势已经消失了。

总的来说，值得一试。在几个python函数上面添加一行代码值得一试的——将您的代码速度提高2到21X!