Python | 加速策略 - Numba

用Numba 对 Python 加速

---

---

numba - @jit修饰器

Python好上手，但是慢起来也是真的慢。最近在找办法加速Python中一个多层for循环，因为数据结构的原因一直感觉无解——直到发现了Numba的@jit这个东西。
怎么用？直接在函数名上加@jit就行（当然这可能是最初级的用法，还没有非常深入地学习）

但是numba对一些数据结构不太支持，可能需要对数据预处理一下。可查阅：
Numba Documentation
Supported Python features in CUDA Python
目前看下来numba似乎对numpy比较支持，python 中的list和dict都不能使用。因此可以用numpy.array()代替list，同时可以通过以下方式建立numba的Dict类型。

# key 为5位 tuple，value为float64
i_am_a_dict = numba.typed.Dict.empty(
        key_type=numba.types.UniTuple(numba.types.int64, 5),
        value_type=numba.types.float64, )

附Example (数据量越大越明显) :

import time
from numba import *
import numpy as np

@jit
def h(ss):
    f = 0
    q = 0
    for a in range(ss):
        for b in range(126):
            for c in range(20):
                for d in range(36):
                    for e in range(10):
                        for f in range(7):
                            for g in range(2):
                                f += 99.87
                        q += f**2
    return q


start = time.time()
i = h(8)
print('time = ', time.time() -start)

加上@jit前

time =  12.544034481048584

加上@jit后

time =  0.3435640335083008

数据量扩大100倍之后：

加上@jit前

time =  347.4983913898468

加上@jit后

time =  0.6444885730743408