python日记(二)：密集计算加速（双重for循环为例）

前情提要：python在处理高时间复杂度的双重for循环时候效率低，而多线程又不适合于计算密集的任务提速。昨天睡之前让电脑自己运行17000*17000的计算，结果跑了19000秒。
因此尝试寻求为python提速的解决方案。在那之前，我们先了解一下，为什么python这么慢？？？

python为啥这么慢

首先可以了解python的运行原理，以下总结都来自于右边链接–> Linkkkkkkkkkkkk1，Linkkkkkkkkkk2,
Linkkkkkkkkkkk3
python将py文件视为一个module，python的解释器在执行模块的时候将其编译成字节码对象 PyCodeObject，在编译完成之后，编译的结果被保留在 pyc 文件中。pyc 文件只是 PyCodeObject 对象在硬盘上的表现形式，一个 pyc 文件包含了三部分信息：Python 的 magic number、pyc 文件创建的时间信息，以及 PyCodeObject 对象。这个文件主要是为了方便下次的重用。
接下来，python虚拟机会从编译得到的 PyCodeObject 对象中依次读入每一条字节码指令，并在当前的上下文环境中执行这条字节码指令。我们的程序就是通过这样循环往复的过程才得以执行。可以用如下的图来阐述这个过程：

而python之所以慢，在很大程度上是因为python是弱类型语言，在声明数值的时候，不用int a = 1，而是直接 a=1。
因此，与C 比起来，编译器一开始并不知道我这个a是啥，编译器就需要更多的响应和准备时间来执行。
并且，C编译器直接把C源代码编译成机器码，并没有中间的pyc文件作为媒介，因此，python的速度是大大不如C的。
那这是不是就意味着python不可救药了呢？NO，Cython、numba等等说还可以抢救。接下来就介绍Numba

Numba

我们来看一眼官网的介绍：
Numba is an open source JIT compiler that translates a subset of Python and NumPy code into fast machine code.。这句话大概是说，Numba能将python编译成更快的机器码。

接下里我们就实战看看numba到底好在哪里。先搞一个5000×5000次的加法运算。

from numba import jit
import time
def add_ab():
    a = list(range(5000))
    b = list(range(5000))
    start = time.time()
    for i in range(5000):
        for j in range(5000):
            c = a[i] + b[j]
    print(time.time()-start)
add_ab()

>>>1.64385986328125

执行时间是1.64385986328125秒。然后再试一试添加numba：

from numba import jit
import time
@jit()
def add_ab():
    a = list(range(5000))
    b = list(range(5000))
    start = time.time()
    for i in range(5000):
        for j in range(5000):
            c = a[i] + b[j]
    print(time.time()-start)
add_ab()

>>>0.18350887298583984

执行时间是0.18350887298583984。哟。快了不止一星半点啦。

好啦，今天的博客就到这里啦。