Python如何加速for循环？除了Numba @jit之外还有什么方法？

今天聊聊Python 3.0的Numba库的即时编译@jit（Just in Time)。

故事背景：知乎某小透明提出的一个问题

---

Python的多重for循环可以用什么办法克服其速度慢的缺陷（numba@jit除外）？

最近在回看自己之前打的代码，发觉一份项目里的Python代码里面，有一个三重循环十分耗时间，使用numba的话提升效果并不明显，想问问大家如何去解决。大家一起来讨论下吧~

这个循环是在迭代的更新两个矩阵内元素，算法内的迭代并不支持用矩阵思想来批量处理，从而达到加速的目的。

Reply

现在问题算是解决了，自己来回答一波~

我的原先的函数内容大概是这样的：

解释一下：

#1的语句是一些有关于初始化的操作。
#update equations 大概是一个迭代更新L和R数组某元素的东西，但这种迭代不支持用一些Py的技巧来让它进行批量的处理。

---

那么问题出在哪儿了呢？

numba@jit其实是不支持list语句的！！！ 而在#1语句里面写到了一些必须要用的list操作。所以我在notebook上跑的时候一直会报WARNING通知的，然而愚蠢的我在当时忽略了它的存在。

所以在那时，看似我加了@jit做修饰器，但其实并没有！！！

于是乎，一个比较显然的重构的想法就出来了。

跑通了之后，虽然还是比C++慢，但速度已经不会像当时一样不可容忍了。

---

关于其它的for内加速的方法：

• @jit不说了，简单方便的一种方法，但是不支持list操作。
• 少在循环内调用大复杂度的函数。
• 然后cython，但可能需要重构代码之类的。
• 或者PyPy，但它是不支持numpy相关的东西的。
• 最后的最后，尽量做批量处理，充分发挥Py和numpy的优势！

---

最后吐槽一句，要不是必须用DL，我才**不用Python呢…