1.1。 Numba的约5分钟指南Numba是Python的即时编译器，非常适合使用NumPy数组、函数和循环的代码。 使用Numba的最常见方法是使用一组装饰，可以指示Numba应用于函数进行编译。 调用Numba限定函数时，它将编译为机器码并“及时”运行，允许全部或部分代码以本机机器码速度运行。
开箱后的Numba使用以下方法：
操作系统： windows(32位和64位)、OSX和Linux (32位和64位)、x86_64、ppc64le。 用armv7l、armv8L(aarch64 )进行实验。 GPU:Nvidia CUDA。 AMD ROC的实验。 CPython的编号1.1.1最新1.1.1。 我怎么得到那个？ Numba可以作为蟒蛇Python的免费缓冲包发布：
$ conda install numba Numba还有pip。
$ pip install Numba Numba也可以从源代码进行编译。 虽然不建议首次使用numba用户。
Numba通常用作核心软件包，因此依赖关系保持绝对的最小值，但可以按如下方式安装其他软件包以提供其他功能：
支持sipy-numpy.linalg的编译功能。 colorama -支持回溯/错误消息的颜色编码。 使用pyyaml-YAML配置文件启用Numba配置。 允许使用ICC_rt-IntelSVML (高性能短矢量数学库，仅限x86_64 )。 安装说明位于性能提示中。 1.1.2。 Numba会为我的代码工作吗？ 根据代码是什么样的，如果代码很重视数字，做了很多数学运算，经常使用NumPy或有很多循环，Numba通常是一个很好的选择。 这些示例应用最基本的numba JIT装饰器。 @jit试图加速一些函数，以指示哪些有效，哪些无效。
Numba在代码中看起来像这样：
fromnumbaimportjitimportnumpyasnp
x=NP.arange(100 ).reshape (10，10 ) )。
@JIT(nopython=true ) set ' no python ' modeforbestperformancedefgo _ fast ) a ) : # functioniscompiledtomachinecodewhencalledthefirsttimetrace=0foriinrange (a.shape [0] ) : # numbalikesloopstrace=nn
对于看起来像这样的代码，print(go_fast ) x ) (如果有)将无法正常工作。
fromnumbaimportjitimportpandasaspd
x={ ' a ' : [ 1，2，3 ]，' b ' : [ 20，30，40 ] }
@JITdefuse_pandas(a ) : # functionwillnotbenefitfromnumbajitdf=PD.data frame.from _ dict (a ) ) ) ) ) ) numba doesn ' tknowaboutpd.dataframedf=1# numba doesn ' tunderstandwhatthisisreturndf.cov (# or this！
请注意，由于print(use_Pandas(x ) ) Numba不了解pandas，因此Numba只是通过解释器运行此代码，但增加了Numba的内部开销成本
1.1.3。 nopython模式是什么？ Numba @jit解码器基本上在两种编译模式下工作： nopython模式和object模式。 在go_fast上面的示例中，nopython=True设置为@jit装饰器。 这指示Numba在nopython模式下操作。 noPython编译模式的行为本质上是编译装饰函数，在没有python解释器参与的情况下完全执行。 这是使用Numba jit装饰器的推荐和最佳实践。 因为这会带来最好的表现。
如果nopython模式编译失败，Numba可以编译和使用。 如果没有设定，这是装饰器的后退模式。 在此模式中，Numba识别可编译的循环，将其编译为在机器码中执行的函数，然后执行解释器中的其馀代码。 为了获得最佳性能，请不要使用此模式object mode @ jitnopython=true use _ pandas
1.1.4。 如何测量Numba的性能？ 首先，请记住，Numba必须为在运行函数的计算机代码版本之前提供的参数类型编译函数，这需要很长时间。 但是，编译完成后，Numba将缓存所呈现的特定类型参数的函数的计算机代码版本。 通过以相同类型再次调用，可以重用缓存的版本，而无需重新编译。
测量
量性能时，一个非常常见的错误是不考虑上述行为，并使用一个简单的计时器来计算一次，该计时器包括在执行时编译函数所花费的时间。例如：
from numba import jit import numpy as np import time
x = np.arange(100).reshape(10, 10)
@jit(nopython=True) def go_fast(a): # Function is compiled and runs in machine code trace = 0 for i in range(a.shape[0]): trace += np.tanh(a[i, i]) return a + trace
DO NOT REPORT THIS... COMPILATION TIME IS INCLUDED IN THE EXECUTION TIME!
start = time.time() go_fast(x) end = time.time() print("Elapsed (with compilation) = %s" % (end - start))
NOW THE FUNCTION IS COMPILED, RE-TIME IT EXECUTING FROM CACHE
start = time.time() go_fast(x) end = time.time() print("Elapsed (after compilation) = %s" % (end - start)) 这，例如打印：
Elapsed (with compilation) = 0.33030009269714355 Elapsed (after compilation) = 6.67572021484375e-06 衡量Numba JIT对您的代码的影响的一个好方法是使用timeit模块函数来执行时间，这些函数测量多次执行迭代，因此可以在第一次执行时适应编译时间。
作为旁注，如果编译时间成为问题，Numba JIT支持 编译函数的磁盘缓存，并且还具有Ahead-Of-Time编译模式。
1.1.5。它有多快？ 假设Numba可以在nopython模式下运行，或者至少编译一些循环，它将针对您的特定CPU进行编译。加速因应用而异，但可以是一到两个数量级。Numba有一个 性能指南，涵盖了获得额外性能的常用选项。
1.1.6。Numba如何运作？ Numba读取装饰函数的Python字节码，并将其与有关函数输入参数类型的信息相结合。它分析并优化您的代码，最后使用LLVM编译器库生成函数的机器代码版本，根据您的CPU功能量身定制。每次调用函数时都会使用此编译版本。
1.1.7。其他感兴趣的东西： Numba有相当多的装饰，我们看到@jit和@njit，但也有：
@vectorize- 生成NumPy ufunc(ufunc支持所有方法)。文件在这里。 @guvectorize- 产生NumPy广义ufuncs。 文件在这里。 @stencil - 将函数声明为类似模板操作的内核。 文件在这里。 @jitclass - 对于jit感知类。文件在这里。 @cfunc - 声明一个函数用作本机回调(从C / C ++等调用)。文件在这里。 @overload- 注册您自己的函数实现，以便在nopython模式下使用，例如@overload(scipy.special.j0)。 文件在这里。 一些装饰者提供额外选项：
parallel = True- 启用功能的 自动并行化。 fastmath = True- 为该功能启用快速数学行为。 ctypes / cffi / cython互操作性：
cffi- 模式支持调用CFFI函数nopython。 ctypes- 模式支持调用ctypes包装函数nopython。。 Cython导出的函数是可调用的。 1.1.7.1。GPU目标： Numba可以针对Nvidia CUDA和(实验性)AMD ROC GPU。您可以使用纯Python编写内核，让Numba处理计算和数据移动(或明确地执行此操作)。单击关于CUDA或ROC的 Numba文档 。
示例：接下来我们写一段简单的代码，来计算一下执行时间：
示例1：不使用numba的:
import time
def num():
arr = []
for i in range(10000000):
arr.append(i)
stime = time.time() num() etime = time.time() - stime
print(arr)
print('用时:{}秒'.format(etime)) 示例输出时间:
用时:1.4500024318695068秒
示例2：使用numba @jit
import time from numba import jit
@jit def num():
arr = []
for i in range(10000000):
arr.append(i)
stime = time.time() num() etime = time.time() - stime
print(arr)
print('用时:{}秒'.format(etime)) 示例输出:
用时:0.5530002117156982秒
结论：
上述两个示例代码，一个使用了numba，另一个没有使用numba；可以看出使用numba @jit装饰后，时间明显快了很多倍。
这只是一个简单示例；对于复杂计算提高速度更明显。