'Python中循環操作和Numpy數組運算性能優化——Numba使用介紹'
直到遇到Numba，才知道“一行代碼讓Python的運行速度提高100倍” 的論調 ，並不是譁眾取寵。
Numba
Numba最初是由Continuum Analytics內部開發，此公司也開發了著名的Anaconda，但現在它是開源的。
Numba是Python的即時編譯器，它最適用於使用NumPy數組和函數以及循環的代碼，能夠大幅提高直接使用Python編寫的函數的運算速度。
Numba使用行業標準的LLVM編譯器庫在運行時將Python函數轉換為優化的機器代碼。 Python中的Numba編譯數值算法可以接近C、C++或Fortran的速度，且無需改變Python的解釋器。只需將其中一個Numba裝飾器應用到Python函數中，Numba就會完成剩下的工作。
專為科學計算而生
Python 本身由於其動態語言的本質，並不適合於計算量很大的科學計算。然而 Numpy 提供的帶類型的數據結構，以及預編譯好的基於 C 或 Fortran 的高速計算庫，補足了Python計算性能短板，而Numba無疑直接給Python計算性能裝了一個發動機。
Numba旨在與NumPy陣列和功能一起使用。 Numba為不同的陣列數據類型和佈局生成專門的代碼，特殊裝飾器可以創建通用功能，可以像NumPy函數那樣在NumPy數組上進行廣播。同時鑑於可以支持異構計算，加速效果可能比裸C寫得還好。這對於那些用Python做高密度的計算或者人工智能的場景而言非常有效。
Numba還可以與Jupyter配合使用，實現交互式計算，以及分佈式執行框架，如Dask、Spark。
Numba的主要特性：
- 動態代碼生成
- 為CPU和GPU硬件生成原生的代碼
- 集成Python的科學計算庫Numpy
支持環境
開箱即用的Numba支持以下環境：
- Intel和AMD x86，POWER8 、 9
- ARM CPU、NVIDIA和AMD GPU
- Python 2.7 和 3.4+
- Windows 、macOS 、Linux
大多數系統的預編譯Numba二進制文件可用作conda軟件包和pip可安裝的輪子。
安裝 Numba
在 Windows10，Python3環境中使用pip 進行安裝：
pip install numba
安裝過程如下：
直到遇到Numba，才知道“一行代碼讓Python的運行速度提高100倍” 的論調 ，並不是譁眾取寵。
Numba
Numba最初是由Continuum Analytics內部開發，此公司也開發了著名的Anaconda，但現在它是開源的。
Numba是Python的即時編譯器，它最適用於使用NumPy數組和函數以及循環的代碼，能夠大幅提高直接使用Python編寫的函數的運算速度。
Numba使用行業標準的LLVM編譯器庫在運行時將Python函數轉換為優化的機器代碼。 Python中的Numba編譯數值算法可以接近C、C++或Fortran的速度，且無需改變Python的解釋器。只需將其中一個Numba裝飾器應用到Python函數中，Numba就會完成剩下的工作。
專為科學計算而生
Python 本身由於其動態語言的本質，並不適合於計算量很大的科學計算。然而 Numpy 提供的帶類型的數據結構，以及預編譯好的基於 C 或 Fortran 的高速計算庫，補足了Python計算性能短板，而Numba無疑直接給Python計算性能裝了一個發動機。
Numba旨在與NumPy陣列和功能一起使用。 Numba為不同的陣列數據類型和佈局生成專門的代碼，特殊裝飾器可以創建通用功能，可以像NumPy函數那樣在NumPy數組上進行廣播。同時鑑於可以支持異構計算，加速效果可能比裸C寫得還好。這對於那些用Python做高密度的計算或者人工智能的場景而言非常有效。
Numba還可以與Jupyter配合使用，實現交互式計算，以及分佈式執行框架，如Dask、Spark。
Numba的主要特性：
- 動態代碼生成
- 為CPU和GPU硬件生成原生的代碼
- 集成Python的科學計算庫Numpy
支持環境
開箱即用的Numba支持以下環境：
- Intel和AMD x86，POWER8 、 9
- ARM CPU、NVIDIA和AMD GPU
- Python 2.7 和 3.4+
- Windows 、macOS 、Linux
大多數系統的預編譯Numba二進制文件可用作conda軟件包和pip可安裝的輪子。
安裝 Numba
在 Windows10，Python3環境中使用pip 進行安裝：
pip install numba
安裝過程如下：
使用 jit 加速 Python 低效的 for 語句
jit 的全稱是 Just-in-time，在 Numba裡面則特指 Just-in-time compilation（即時編譯），使用Numba來加速代碼的運行，簡潔易用，Numba 對源代碼的修改很小，幾乎是只需要加一個 @jit 修飾器就可以了。相對於Cython，使用Numba也是在性能和可讀性之間的平衡。
直到遇到Numba，才知道“一行代碼讓Python的運行速度提高100倍” 的論調 ，並不是譁眾取寵。
Numba
Numba最初是由Continuum Analytics內部開發，此公司也開發了著名的Anaconda，但現在它是開源的。
Numba是Python的即時編譯器，它最適用於使用NumPy數組和函數以及循環的代碼，能夠大幅提高直接使用Python編寫的函數的運算速度。
Numba使用行業標準的LLVM編譯器庫在運行時將Python函數轉換為優化的機器代碼。 Python中的Numba編譯數值算法可以接近C、C++或Fortran的速度，且無需改變Python的解釋器。只需將其中一個Numba裝飾器應用到Python函數中，Numba就會完成剩下的工作。
專為科學計算而生
Python 本身由於其動態語言的本質，並不適合於計算量很大的科學計算。然而 Numpy 提供的帶類型的數據結構，以及預編譯好的基於 C 或 Fortran 的高速計算庫，補足了Python計算性能短板，而Numba無疑直接給Python計算性能裝了一個發動機。
Numba旨在與NumPy陣列和功能一起使用。 Numba為不同的陣列數據類型和佈局生成專門的代碼，特殊裝飾器可以創建通用功能，可以像NumPy函數那樣在NumPy數組上進行廣播。同時鑑於可以支持異構計算，加速效果可能比裸C寫得還好。這對於那些用Python做高密度的計算或者人工智能的場景而言非常有效。
Numba還可以與Jupyter配合使用，實現交互式計算，以及分佈式執行框架，如Dask、Spark。
Numba的主要特性：
- 動態代碼生成
- 為CPU和GPU硬件生成原生的代碼
- 集成Python的科學計算庫Numpy
支持環境
開箱即用的Numba支持以下環境：
- Intel和AMD x86，POWER8 、 9
- ARM CPU、NVIDIA和AMD GPU
- Python 2.7 和 3.4+
- Windows 、macOS 、Linux
大多數系統的預編譯Numba二進制文件可用作conda軟件包和pip可安裝的輪子。
安裝 Numba
在 Windows10，Python3環境中使用pip 進行安裝：
pip install numba
安裝過程如下：
使用 jit 加速 Python 低效的 for 語句
jit 的全稱是 Just-in-time，在 Numba裡面則特指 Just-in-time compilation（即時編譯），使用Numba來加速代碼的運行，簡潔易用，Numba 對源代碼的修改很小，幾乎是只需要加一個 @jit 修飾器就可以了。相對於Cython，使用Numba也是在性能和可讀性之間的平衡。
不使用@jit，執行上述代碼，發現它平均需要耗時23秒的時間。
接下來我們使用@jit，來看一下Numba的效率究竟多麼強大。
直到遇到Numba，才知道“一行代碼讓Python的運行速度提高100倍” 的論調 ，並不是譁眾取寵。
Numba
Numba最初是由Continuum Analytics內部開發，此公司也開發了著名的Anaconda，但現在它是開源的。
Numba是Python的即時編譯器，它最適用於使用NumPy數組和函數以及循環的代碼，能夠大幅提高直接使用Python編寫的函數的運算速度。
Numba使用行業標準的LLVM編譯器庫在運行時將Python函數轉換為優化的機器代碼。 Python中的Numba編譯數值算法可以接近C、C++或Fortran的速度，且無需改變Python的解釋器。只需將其中一個Numba裝飾器應用到Python函數中，Numba就會完成剩下的工作。
專為科學計算而生
Python 本身由於其動態語言的本質，並不適合於計算量很大的科學計算。然而 Numpy 提供的帶類型的數據結構，以及預編譯好的基於 C 或 Fortran 的高速計算庫，補足了Python計算性能短板，而Numba無疑直接給Python計算性能裝了一個發動機。
Numba旨在與NumPy陣列和功能一起使用。 Numba為不同的陣列數據類型和佈局生成專門的代碼，特殊裝飾器可以創建通用功能，可以像NumPy函數那樣在NumPy數組上進行廣播。同時鑑於可以支持異構計算，加速效果可能比裸C寫得還好。這對於那些用Python做高密度的計算或者人工智能的場景而言非常有效。
Numba還可以與Jupyter配合使用，實現交互式計算，以及分佈式執行框架，如Dask、Spark。
Numba的主要特性：
- 動態代碼生成
- 為CPU和GPU硬件生成原生的代碼
- 集成Python的科學計算庫Numpy
支持環境
開箱即用的Numba支持以下環境：
- Intel和AMD x86，POWER8 、 9
- ARM CPU、NVIDIA和AMD GPU
- Python 2.7 和 3.4+
- Windows 、macOS 、Linux
大多數系統的預編譯Numba二進制文件可用作conda軟件包和pip可安裝的輪子。
安裝 Numba
在 Windows10，Python3環境中使用pip 進行安裝：
pip install numba
安裝過程如下：
使用 jit 加速 Python 低效的 for 語句
jit 的全稱是 Just-in-time，在 Numba裡面則特指 Just-in-time compilation（即時編譯），使用Numba來加速代碼的運行，簡潔易用，Numba 對源代碼的修改很小，幾乎是只需要加一個 @jit 修飾器就可以了。相對於Cython，使用Numba也是在性能和可讀性之間的平衡。
不使用@jit，執行上述代碼，發現它平均需要耗時23秒的時間。
接下來我們使用@jit，來看一下Numba的效率究竟多麼強大。
使用了@jit只用了0.2秒，與不使用@jit相比，這已不是同一個數量級了，快了100餘倍。Numba可以把各種具有很大循環的函數加到很快的速度，相比與Numpy的加速只適用於Numpy自帶的函數。但要注意的是，Numba對沒有循環或者只有非常小循環的函數加速效果並不明顯，用不用都一樣。
使用 vectorize 實現 類似於Numpy 的 Ufunc 功能
在Numpy中有一個非常強大的功能——Ufunc (universal functions)，它可以讓一個函數同時處理很多數據。比如計算一個數組中每一個元素的三角函數，只需要使用numpy.sin(n)即可，而不是要寫個循環遍歷計算。
直到遇到Numba，才知道“一行代碼讓Python的運行速度提高100倍” 的論調 ，並不是譁眾取寵。
Numba
Numba最初是由Continuum Analytics內部開發，此公司也開發了著名的Anaconda，但現在它是開源的。
Numba是Python的即時編譯器，它最適用於使用NumPy數組和函數以及循環的代碼，能夠大幅提高直接使用Python編寫的函數的運算速度。
Numba使用行業標準的LLVM編譯器庫在運行時將Python函數轉換為優化的機器代碼。 Python中的Numba編譯數值算法可以接近C、C++或Fortran的速度，且無需改變Python的解釋器。只需將其中一個Numba裝飾器應用到Python函數中，Numba就會完成剩下的工作。
專為科學計算而生
Python 本身由於其動態語言的本質，並不適合於計算量很大的科學計算。然而 Numpy 提供的帶類型的數據結構，以及預編譯好的基於 C 或 Fortran 的高速計算庫，補足了Python計算性能短板，而Numba無疑直接給Python計算性能裝了一個發動機。
Numba旨在與NumPy陣列和功能一起使用。 Numba為不同的陣列數據類型和佈局生成專門的代碼，特殊裝飾器可以創建通用功能，可以像NumPy函數那樣在NumPy數組上進行廣播。同時鑑於可以支持異構計算，加速效果可能比裸C寫得還好。這對於那些用Python做高密度的計算或者人工智能的場景而言非常有效。
Numba還可以與Jupyter配合使用，實現交互式計算，以及分佈式執行框架，如Dask、Spark。
Numba的主要特性：
- 動態代碼生成
- 為CPU和GPU硬件生成原生的代碼
- 集成Python的科學計算庫Numpy
支持環境
開箱即用的Numba支持以下環境：
- Intel和AMD x86，POWER8 、 9
- ARM CPU、NVIDIA和AMD GPU
- Python 2.7 和 3.4+
- Windows 、macOS 、Linux
大多數系統的預編譯Numba二進制文件可用作conda軟件包和pip可安裝的輪子。
安裝 Numba
在 Windows10，Python3環境中使用pip 進行安裝：
pip install numba
安裝過程如下：
使用 jit 加速 Python 低效的 for 語句
jit 的全稱是 Just-in-time，在 Numba裡面則特指 Just-in-time compilation（即時編譯），使用Numba來加速代碼的運行，簡潔易用，Numba 對源代碼的修改很小，幾乎是只需要加一個 @jit 修飾器就可以了。相對於Cython，使用Numba也是在性能和可讀性之間的平衡。
不使用@jit，執行上述代碼，發現它平均需要耗時23秒的時間。
接下來我們使用@jit，來看一下Numba的效率究竟多麼強大。
使用了@jit只用了0.2秒，與不使用@jit相比，這已不是同一個數量級了，快了100餘倍。Numba可以把各種具有很大循環的函數加到很快的速度，相比與Numpy的加速只適用於Numpy自帶的函數。但要注意的是，Numba對沒有循環或者只有非常小循環的函數加速效果並不明顯，用不用都一樣。
使用 vectorize 實現 類似於Numpy 的 Ufunc 功能
在Numpy中有一個非常強大的功能——Ufunc (universal functions)，它可以讓一個函數同時處理很多數據。比如計算一個數組中每一個元素的三角函數，只需要使用numpy.sin(n)即可，而不是要寫個循環遍歷計算。
若不用Numpy如何實現高效的計算呢？我們可以使用math.sin，然後寫個循環再用numba加速。
除此之外，Numba也有另一個更強大的功能——矢量化（vectorize）。像上面的jit一樣，只要添加一行vectorize修飾器，就可以讓普通函數變成Ufunc，如下：
直到遇到Numba，才知道“一行代碼讓Python的運行速度提高100倍” 的論調 ，並不是譁眾取寵。
Numba
Numba最初是由Continuum Analytics內部開發，此公司也開發了著名的Anaconda，但現在它是開源的。
Numba是Python的即時編譯器，它最適用於使用NumPy數組和函數以及循環的代碼，能夠大幅提高直接使用Python編寫的函數的運算速度。
Numba使用行業標準的LLVM編譯器庫在運行時將Python函數轉換為優化的機器代碼。 Python中的Numba編譯數值算法可以接近C、C++或Fortran的速度，且無需改變Python的解釋器。只需將其中一個Numba裝飾器應用到Python函數中，Numba就會完成剩下的工作。
專為科學計算而生
Python 本身由於其動態語言的本質，並不適合於計算量很大的科學計算。然而 Numpy 提供的帶類型的數據結構，以及預編譯好的基於 C 或 Fortran 的高速計算庫，補足了Python計算性能短板，而Numba無疑直接給Python計算性能裝了一個發動機。
Numba旨在與NumPy陣列和功能一起使用。 Numba為不同的陣列數據類型和佈局生成專門的代碼，特殊裝飾器可以創建通用功能，可以像NumPy函數那樣在NumPy數組上進行廣播。同時鑑於可以支持異構計算，加速效果可能比裸C寫得還好。這對於那些用Python做高密度的計算或者人工智能的場景而言非常有效。
Numba還可以與Jupyter配合使用，實現交互式計算，以及分佈式執行框架，如Dask、Spark。
Numba的主要特性：
- 動態代碼生成
- 為CPU和GPU硬件生成原生的代碼
- 集成Python的科學計算庫Numpy
支持環境
開箱即用的Numba支持以下環境：
- Intel和AMD x86，POWER8 、 9
- ARM CPU、NVIDIA和AMD GPU
- Python 2.7 和 3.4+
- Windows 、macOS 、Linux
大多數系統的預編譯Numba二進制文件可用作conda軟件包和pip可安裝的輪子。
安裝 Numba
在 Windows10，Python3環境中使用pip 進行安裝：
pip install numba
安裝過程如下：
使用 jit 加速 Python 低效的 for 語句
jit 的全稱是 Just-in-time，在 Numba裡面則特指 Just-in-time compilation（即時編譯），使用Numba來加速代碼的運行，簡潔易用，Numba 對源代碼的修改很小，幾乎是只需要加一個 @jit 修飾器就可以了。相對於Cython，使用Numba也是在性能和可讀性之間的平衡。
不使用@jit，執行上述代碼，發現它平均需要耗時23秒的時間。
接下來我們使用@jit，來看一下Numba的效率究竟多麼強大。
使用了@jit只用了0.2秒，與不使用@jit相比，這已不是同一個數量級了，快了100餘倍。Numba可以把各種具有很大循環的函數加到很快的速度，相比與Numpy的加速只適用於Numpy自帶的函數。但要注意的是，Numba對沒有循環或者只有非常小循環的函數加速效果並不明顯，用不用都一樣。
使用 vectorize 實現 類似於Numpy 的 Ufunc 功能
在Numpy中有一個非常強大的功能——Ufunc (universal functions)，它可以讓一個函數同時處理很多數據。比如計算一個數組中每一個元素的三角函數，只需要使用numpy.sin(n)即可，而不是要寫個循環遍歷計算。
若不用Numpy如何實現高效的計算呢？我們可以使用math.sin，然後寫個循環再用numba加速。
除此之外，Numba也有另一個更強大的功能——矢量化（vectorize）。像上面的jit一樣，只要添加一行vectorize修飾器，就可以讓普通函數變成Ufunc，如下：
可以看出，用Numba.vectorize 改寫的三角函數具有了和np.sin()相同的功能，而且性能表現也不比Numpy差。當遇到Numpy沒有的數學函數時，用Numba矢量化不失為一個好的選擇。除了math中的sin，它支持的其他函數列表可以在 Numba官網的 documentation中查看。
想要了解更多Numba使用 可以，進一步閱讀GitHub ：
https://github.com/numba/numba
直到遇到Numba，才知道“一行代碼讓Python的運行速度提高100倍” 的論調 ，並不是譁眾取寵。
Numba
Numba最初是由Continuum Analytics內部開發，此公司也開發了著名的Anaconda，但現在它是開源的。
Numba是Python的即時編譯器，它最適用於使用NumPy數組和函數以及循環的代碼，能夠大幅提高直接使用Python編寫的函數的運算速度。
Numba使用行業標準的LLVM編譯器庫在運行時將Python函數轉換為優化的機器代碼。 Python中的Numba編譯數值算法可以接近C、C++或Fortran的速度，且無需改變Python的解釋器。只需將其中一個Numba裝飾器應用到Python函數中，Numba就會完成剩下的工作。
專為科學計算而生
Python 本身由於其動態語言的本質，並不適合於計算量很大的科學計算。然而 Numpy 提供的帶類型的數據結構，以及預編譯好的基於 C 或 Fortran 的高速計算庫，補足了Python計算性能短板，而Numba無疑直接給Python計算性能裝了一個發動機。
Numba旨在與NumPy陣列和功能一起使用。 Numba為不同的陣列數據類型和佈局生成專門的代碼，特殊裝飾器可以創建通用功能，可以像NumPy函數那樣在NumPy數組上進行廣播。同時鑑於可以支持異構計算，加速效果可能比裸C寫得還好。這對於那些用Python做高密度的計算或者人工智能的場景而言非常有效。
Numba還可以與Jupyter配合使用，實現交互式計算，以及分佈式執行框架，如Dask、Spark。
Numba的主要特性：
- 動態代碼生成
- 為CPU和GPU硬件生成原生的代碼
- 集成Python的科學計算庫Numpy
支持環境
開箱即用的Numba支持以下環境：
- Intel和AMD x86，POWER8 、 9
- ARM CPU、NVIDIA和AMD GPU
- Python 2.7 和 3.4+
- Windows 、macOS 、Linux
大多數系統的預編譯Numba二進制文件可用作conda軟件包和pip可安裝的輪子。
安裝 Numba
在 Windows10，Python3環境中使用pip 進行安裝：
pip install numba
安裝過程如下：
使用 jit 加速 Python 低效的 for 語句
jit 的全稱是 Just-in-time，在 Numba裡面則特指 Just-in-time compilation（即時編譯），使用Numba來加速代碼的運行，簡潔易用，Numba 對源代碼的修改很小，幾乎是只需要加一個 @jit 修飾器就可以了。相對於Cython，使用Numba也是在性能和可讀性之間的平衡。
不使用@jit，執行上述代碼，發現它平均需要耗時23秒的時間。
接下來我們使用@jit，來看一下Numba的效率究竟多麼強大。
使用了@jit只用了0.2秒，與不使用@jit相比，這已不是同一個數量級了，快了100餘倍。Numba可以把各種具有很大循環的函數加到很快的速度，相比與Numpy的加速只適用於Numpy自帶的函數。但要注意的是，Numba對沒有循環或者只有非常小循環的函數加速效果並不明顯，用不用都一樣。
使用 vectorize 實現 類似於Numpy 的 Ufunc 功能
在Numpy中有一個非常強大的功能——Ufunc (universal functions)，它可以讓一個函數同時處理很多數據。比如計算一個數組中每一個元素的三角函數，只需要使用numpy.sin(n)即可，而不是要寫個循環遍歷計算。
若不用Numpy如何實現高效的計算呢？我們可以使用math.sin，然後寫個循環再用numba加速。
除此之外，Numba也有另一個更強大的功能——矢量化（vectorize）。像上面的jit一樣，只要添加一行vectorize修飾器，就可以讓普通函數變成Ufunc，如下：
可以看出，用Numba.vectorize 改寫的三角函數具有了和np.sin()相同的功能，而且性能表現也不比Numpy差。當遇到Numpy沒有的數學函數時，用Numba矢量化不失為一個好的選擇。除了math中的sin，它支持的其他函數列表可以在 Numba官網的 documentation中查看。
想要了解更多Numba使用 可以，進一步閱讀GitHub ：
https://github.com/numba/numba
相關推薦
