由于python有动态解释性语言的特性,跑起代码来相比java、c++要慢很多,尤其在做科学计算的时候,十亿百亿级别的运算,让python的这种劣势更加凸显。
因此就出现了解决python慢的一大利器numba,可以让python的运行速度提升上百倍甚至更多!
numpy是为面向numpy数组的计算任务而设计的。
Numba把NumPy数组类型生成高效的编译代码,用于在GPU或多核CPU上执行。
在做大量科学计算时和使用for循环数据较多时,尽量使用numba。
一:什么是numba
numba是一款可以将python函数编译为机器代码的JIT编译器,经过numba编译的python代码(仅限数组运算),其运行速度可以接近C或FORTRAN语言。
numba的作用是给python换一种编译器。让代码直接转成机器码运行。
二:如何使用numba
使用numba非常简单,只需要将numba装饰器应用到python函数中,无需改动原本的python代码,numba会自动完成剩余的工作。那么怎么使用呢,下面有一个例子。
1.计算numpy数组各个数值的双曲正切值。
(1)导入numpy、numba及其编译器
import numpy as np
import numba
from numba import jit
(2)传入numba装饰器jit,编写函数
# nopython = True 选项要求完全编译该函数(以便完全删除Python解释器调用),否则会引发异常
@jit(nopython=True) # jit,numba装饰器中的一种
def go_fast2(a): # 首次调用时,函数被编译为机器代码
trace = 0
# 假设输入变量是numpy数组
for i in range(a.shape[0]): # Numba 擅长处理循环
trace += np.tanh(a[i, i]) # numba喜欢numpy函数
return a + trace # numba喜欢numpy广播
(3)给函数传递实参
# 因为函数要求传入的参数是nunpy数组
x = np.arange(100).reshape(10, 10)
# 执行函数
go_fast(x)
(4)经numba加速的函数执行时间
% timeit go_fast(x)
(5)结果输出
3.63 µs ± 156 ns #加速后
136 µs ± 1.09 µs #不加速
快了40倍。
2.nunba对for循环的加速
(1)代码
# 普通函数
def go_fast1(): # 首次调用时,函数被编译为机器代码
x = 0
for i in np.arange(5000):
x += i
return x
# nopython = True选项要求完全编译该函数(以便完全删除Python解释器调用),否则会引发异常
@jit(nopython=True) # jit,numba装饰器中的一种
def go_fast2(): # 首次调用时,函数被编译为机器代码
x = 0
for i in np.arange(5000):
x += i
return x
(2)结果输出
1.57 µs ± 53.8 ns #加速后
408 µs ± 9.73 µs #不加速
快了200倍。
numba对python代码运行速度有巨大的提升,这极大的促进了大数据时代的python数据分析能力,但不会对numpy和for循环以外的python代码有很大帮助,对数据科学工作者来说,这真是一个好技术!