1、引言
小屌丝：鱼哥，我今天被鄙视了
小鱼：因为你的颜值被鄙视了？？
小屌丝：咱还能正常聊天吗？？
小鱼：好吧，我已经很正经的说话了，那你说吧，因为啥被鄙视了？
小屌丝：今天一个小菜鸟说C语言是世界上运行速度最快的语言，我非常不服气~~
小鱼：那有啥不服气的，我都觉得这话说得没啥毛病。
小屌丝：鱼哥，小姐姐说谁的速度快，就跟谁YYSX。
小鱼：那…这… 我赞同，我也表示不服。
看样子，小姐姐是动力的源头！
2、Numba
关于Numba的详细文档，点击Numba传送门即被可传送。
但是文档归文档，我们还是要简单的说一下Numba。
2.1 简介
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。
小屌丝：看样子很厉害的哦，那使用起来，是不是很难呢？
小鱼：不难不难，到底有多容易，请往下看：
三不要：
- 不需要替换Python解析器
- 不需要单独编译
- 不需要安装C/C++编译器
一需要：
- 将 Numba 提供的装饰器放在 Python 函数上面就行
小屌丝：哎哟~总结的还挺到位。
小鱼：没事别说话，打断我思路了都！！
2.2 安装
在撸码前，需要确认，是否已经有numba这个库，
如果没有的话，那我们回想一下，有几种方法呢？？？
不管哪种方法，能安装上就是可行的。
在这里，小鱼就直接举例单独安装：
pip install numba
详细可参考:
《Python3：我低调的只用一行代码，就导入Python所有库！》；
《Python3，选择Python自动安装第三方库，从此跟pip说拜拜！！》
2.3 代码实例
安装完numba库，那就直接上代码，展示一下速度…
看看能不能比我们的苏神跑的快！
实例一：
我们看看调用jit的样子
# -*- coding:utf-8 -*-
# @Time : 2021-08-08
# @Author : carl_DJ
from numba import jit
import random
# 调用jit装饰器
@jit(nopython=True)
def mot_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 8.0 * acc /nsamples
实例二
Numba 是专为科学计算而设计的，在与 NumPy 一起使用时，Numba 会为不同的数组数据类型生成专门的代码，以优化性能为主，
上代码：
# -*- coding:utf-8 -*-
# @Time : 2021-08-08
# @Author : carl_DJ
@numba.jit(nopython=True, parallel=True)
def logistic_regress(X, Y, w, iterations):
for i in range(iterations):
w -= np.dot(((1.0 /
(1.0 + np.exp(-Y * np.dot(X, w)))
- 1.0) * Y), X)
return w
小屌丝：这个…我看不懂…
小鱼：看不懂啊，没关系，毕竟不是每个人都对科学计算有兴趣。
小屌丝：你这是在侮(xiu)辱我！！！
小鱼：你不配~ ~
如果大家看不懂这个实例，没事没事，别灰心，
接下来，我们就来搞个大一点的事情。
3、 代码实战
上面的代码，就是一个热身了~ ~
接下来，我们就用正儿八经的例子，看看Numba的运行速度有多快。
有了苏神的速度，还担心妹子不跟咱YYXS吗！！
举个例子
我们使用和不使用Numba,来找出1000个W以内所有的素数。
3.1 不使用Numba
我们不使用Numba，来看看花费多长时间。
上代码
# -*- coding:utf-8 -*-
# @Time : 2021-08-08
# @Author : carl_DJ
import math
import time
def is_prime(num):
if num == 2:
return True
if num <= 1 or not num % 2:
return False
for div in range(3, int(math.sqrt(num) + 1), 2):
if not num % div:
return False
return True
def run_program(N):
total = 0
for i in range(N):
if is_prime(i):
total += 1
return total
if __name__ == "__main__":
N = 10000000
start = time.time()
total = run_program(N)
end = time.time()
print(f"1000W以内所有的素数是： {total}")
print(f"耗时： {end - start}s")
运行结果
1000W以内所有的素数是： 664579
耗时： 245.93426966667175s
小屌丝：好吧，这运行速度，确实有点…
小鱼：别灰心啊，我们不是还有Numba吗。
3.2 使用Numba
我们使用Numba，看看花费多长时间。
上代码
# -*- coding:utf-8 -*-
# @Time : 2021-08-08
# @Author : carl_DJ
import math
import time
from numba import njit
# @njit 相当于 @jit(nopython=True)
@njit
def is_prime(num):
if num == 2:
return True
if num <= 1 or not num % 2:
return False
for div in range(3, int(math.sqrt(num) + 1), 2):
if not num % div:
return False
return True
# #普通循环计算，
# @njit
# def run_program(N):
# total = 0
# #普通range循环处理
# for i in range(N):
# if is_prime(i):
# total += 1
# return total
#使用Numba的prange来进行并发循环计算
@njit(parallel = True)
def run_program(N):
total = 0
#使用Numba提供的prange参数来进行并行计算
for i in prange(N):
if is_prime(i):
total += 1
return total
if __name__ == "__main__":
N = 10000000
start = time.time()
total = run_program(N)
end = time.time()
print(f"1000W以内所有的素数是： {total}")
print(f"耗时： {end - start}s")
运行结果
- 未使用Numba的prange运行结果，如下：
1000W以内所有的素数是： 664579
耗时： 11.453454494476318s
- 使用Numba的prange运行结果，如下：
total prime num is 664579
cost 5.30582857131958s
小屌丝：我的天啊， 这么神奇吗~
小鱼：必须的。
小屌丝：鱼哥，鱼哥，它是怎么做到的？？
小鱼：嗯，我们来看看官方文档怎么解释的。
官方文档解释：
它读取装饰函数的 Python 字节码，并将其与有关函数输入参数类型的信息结合起来，分析和优化代码，最后使用编译器库（LLVM）针对你的 CPU 生成量身定制的机器代码。每次调用函数时，都会使用此编译版本，
小屌丝：原来如此…看来我今晚和小姐姐YYSX 是有戏了。
小鱼：就这点出息了！！！
4、总结
虽然Python是动态语言，有全局解释器锁，比其他静态语言要慢，
但是，通过今天小鱼分享的Numba，是不是把你心中那一团火又燃烧了。
说归说，闹归闹，官方文档最重要！
所以，关于更多的Numba的知识，还请异步到官方文档
倒数三个数，开始上链接，宝宝们准备好。
3
2
1