四、灵活专业的@generated_jit

@jit修饰符在很多情况下是极其有效的，但是有时需要根据输入变量的类型来决定函数的实现功能。@generated_jit修饰符编译时能够进行一些特例化选择。

示例：

importnumpy as npfrom numba importgenerated_jit, types

@generated_jit(nopython=True)defis_missing(x):"""Return True if the value is missing, False otherwise."""

ifisinstance(x, types.Float):return lambdax: np.isnan(x)elifisinstance(x, (types.NPDatetime, types.NPTimedelta)):#The corresponding Not-a-Time value

missing = x('NaT')return lambda x: x ==missingelse:return lambda x: False

上面的代码完成的是根据输入去判断缺省值的事情。

注意下面问题：

1、在调用的时候，传入的参数，使用变量的numba类型，而不是值；

2、这个修饰函数返回的结果不是一个计算结果；

五、创建Numpy通用函数(universal funtions)

首先看下什么叫做universal funtions:

A universal function (or ufunc for short) is a function that operates on ndarrays in an element-by-element fashion, supporting array broadcasting, type casting, and several other standard features. That is, a ufunc is a “vectorized” wrapper for a function that takes a fixed number of specific inputs and produces a fixed number of specific outputs.

@vectorize修饰符

传统的ufuncs的构建是涉及到C语言编程的，numba中只需要@vectorize修饰符，就可以获得和C写的ufuncs一样快速的性能。

使用@vectorize，可以写操作输入标量的函数，而不是arrays。(这是什么意思？)

(这个地方给出的示例没有看懂，除了定义的时候不同，没有看出有什么区别)

按照文档里面的说法，是NumPy ufuncs会自动获得其他功能，如缩小，累积或广播。

@guvectorize修饰符

guvectorize允许处理任意长度的输入arrays。

但是与vectorize不同的是，guvectorize不会返回结果值，而是作为函数的参数传入。

下面是一个示例：

@guvectorize([(int64[:], int64, int64[:])], '(n),()->(n)')defg(x, y, res):for i inrange(x.shape[0]):

res[i]= x[i] + y

上面的函数中，传入的是一个一维数组和一个标量，最后一个传入的参数是结果值。在声明的过程中，有两个事情需要注意一下：

'(n),()->(n)'的意思是说明传入的是一个长度维n的一维向量和一个标量，输出的是一个长度为n的一维向量

需要指定支持的数据类型

Dynamic universal functions

如果不去申明具体的数据类型，那么将会编译出一个dynamic universal function。

每次改变传入的数据类型，那么numba就会generate新的kernels。

六、用@jitclass编译python类

示例：

importnumpy as npfrom numba import jitclass #import the decorator

from numba import int32, float32 #import the types

spec=[

('value', int32), #a simple scalar field

('array', float32[:]), #an array field

]

@jitclass(spec)classBag(object):def __init__(self, value):

self.value=value

self.array= np.zeros(value, dtype=np.float32)

@propertydefsize(self):returnself.array.sizedefincrement(self, val):for i inrange(self.size):

self.array[i]=valreturn self.array

(此处留坑)