python numba_Numba初步使用经验

Numba是Python的一个JIT库，可以很方便的通过一个装饰器来实现运行时的加速。这两天初步使用了一下，有点心得体会：

1， numba喜欢for循环，有for循环的python代码(看起来像C的风格)，加速效果很好；

2， numba喜欢numpy；

不过，简单的函数不要用，比如两个ndarray做减法，a-y，就不要使用@njit；

4， 如果某函数中调用的其它函数已经使用了numba的@jit或@njit，再对这个函数加速的效果就基本看不出来。

5， 还有一种不加速的情况，函数中只是调用了一个numpy函数，没有别的什么操作，这种情况，在加速和不加速的情况下，用timeit测试的结果差不多，或者只是一点点轻微的加速。(比如函数只有一句：return np.dot(a,b))

所以，如果函数中没有list comprehension，而且有for循环，可以使用@jit来加速；如果函数中全是numpy的操作，可以使用@njit来加速。

使用numba来加速代码的运行，简单上手快，比Cython好用，不过也需要考虑Python代码的可读性，不推崇一味为了加速而改写代码。使用numba，就是在速度和可读性之间寻找一个平衡位置。

下面是我自己的一段for循环用numba来加速的测试代码：

>>> from numba import jit

>>> def t1():

... return sum([x for x in range(5000)])

...

>>> @jit

... def t2():

... x = 0

... for i in range(5000):

... x += i

... return x

...

>>> timeit('t1()', number=10000, globals=globals())

3.092034629000409

>>> timeit('t1()', number=10000, globals=globals())

3.148597596002219

>>> timeit('t2()', number=10000, globals=globals())

0.11772040499636205

>>> timeit('t2()', number=10000, globals=globals())

0.0019229380050092004

>>> timeit('t2()', number=10000, globals=globals())

0.0019260349945398048

>>> timeit('t2()', number=10000, globals=globals())

0.002125131999491714

>>>

t1和t2功能完全相同，t1执行10000次3秒左右，而经过numba的@jit加速后，t2执行10000次只需要0.002秒左右，太恐怖了......用C风格写for循环，用@jit来加速，虽然有违Python的风格，但是却获得了实实在在的加速。