numba实现python代码的加速

概述

最近在做python加速的事，numba的加速比较可观。

使用场景

Numba 简单到只需要在函数上加一个装饰器就能加速程序，但也有缺点。目前 Numba 只支持了 Python 原生函数和部分 NumPy 函数，
其他一些场景可能不适用。比如 Numba 官方给出这样的例子：
pandas 是更高层次的封装， Numba 其实不能理解它里面做了什么，所以无法对其加速。一些大家经常用的机器学习框架，如 scikit-learn ， tensorflow ， pytorch 等，已经做了大量的优化，不适合再使用 Numba 做加速。
此外，Numba 还不支持：

try … except 异常处理；
with 语句；
yield from 语句。
此外，Numba 还不支持：

try … except 异常处理；
with 语句；
yield from 语句。
那么 Numba 当前支持的功能有哪些呢？
详情请移步：http://numba.pydata.org/numba-doc/latest/reference/pysupported.html

你可以使用装饰器，@jit(nopython=True)
装饰器在这里是将其他函数作为参数，然后返回其他函数，目的是为了扩展其功能。

测试代码1

hello_numba.py

import numpy as np
import time
from numba import jit, njit
import random


#numba官方给的示例函数
def monte_carlo_pi(nsamples):
    acc = 0
    for i in range(nsamples):
        x = random.random()
        y = random.random()
        if(x**2 + y**2) < 1.0:
            acc += 1
    return 4.0 * acc / nsamples

if __name__ == "__main__":
    t1 = time.process_time()
    monte_carlo_pi(1000000)
    print("time1:%f" % (time.process_time() - t1))
    #定义一个新的函数
    monte_carlo_pi_jit = jit(