由于python有动态解释性语言的特性，跑起代码来相比java、c++要慢很多，尤其在做科学计算的时候，十亿百亿级别的运算，让python的这种劣势更加凸显。

因此就出现了解决python慢的一大利器numba，可以让python的运行速度提升上百倍甚至更多！

numpy是为面向numpy数组的计算任务而设计的。

Numba把NumPy数组类型生成高效的编译代码，用于在GPU或多核CPU上执行。

在做大量科学计算时和使用for循环数据较多时，尽量使用numba。

一：什么是numba

numba是一款可以将python函数编译为机器代码的JIT编译器，经过numba编译的python代码(仅限数组运算)，其运行速度可以接近C或FORTRAN语言。

numba的作用是给python换一种编译器。让代码直接转成机器码运行。

二：如何使用numba

使用numba非常简单，只需要将numba装饰器应用到python函数中，无需改动原本的python代码，numba会自动完成剩余的工作。那么怎么使用呢，下面有一个例子。

1.计算numpy数组各个数值的双曲正切值。

(1)导入numpy、numba及其编译器

import numpy as np

import numba

from numba import jit

(2)传入numba装饰器jit，编写函数

# nopython = True 选项要求完全编译该函数(以便完全删除Python解释器调用)，否则会引发异常

@jit(nopython=True) # jit，numba装饰器中的一种

def go_fast2(a): # 首次调用时，函数被编译为机器代码

trace = 0

# 假设输入变量是numpy数组

for i in range(a.shape[0]): # Numba 擅长处理循环

trace += np.tanh(a[i, i]) # numba喜欢numpy函数

return a + trace# numba喜欢numpy广播

(3)给函数传递实参

# 因为函数要求传入的参数是nunpy数组

x = np.arange(100).reshape(10, 10)

# 执行函数

go_fast(x)

(4)经numba加速的函数执行时间

% timeit go_fast(x)

(5)结果输出

3.63 µs ± 156 ns #加速后

136 µs ± 1.09 µs #不加速

快了40倍。

2.nunba对for循环的加速

(1)代码

# 普通函数

def go_fast1(): # 首次调用时，函数被编译为机器代码

x = 0

for i in np.arange(5000):

x += i

return x

# nopython = True选项要求完全编译该函数(以便完全删除Python解释器调用)，否则会引发异常

@jit(nopython=True) # jit，numba装饰器中的一种

def go_fast2(): # 首次调用时，函数被编译为机器代码

x = 0

for i in np.arange(5000):

x += i

return x

(2)结果输出

1.57 µs ± 53.8 ns #加速后

408 µs ± 9.73 µs #不加速

快了200倍。

numba对python代码运行速度有巨大的提升，这极大的促进了大数据时代的python数据分析能力，但不会对numpy和for循环以外的python代码有很大帮助，对数据科学工作者来说，这真是一个好技术！