Python運行速度慢這點是公認的！那麼如何加速Python代碼呢？

通過使用jit裝飾器，使用Numba非常容易：

正如你所知道的，在Python中，所有代碼塊都被編譯成字節碼：

當然在學習Python的道路上肯定會困難，沒有好的學習資料，怎麼去學習呢？

所以小編準備了一份零基礎入門Python的學習資料。關注，轉發，私信“007”即可領取！

Python numba 體系結構

Numba的優勢：

• 易用性
• 自動並行化
• 支持numpy操作和對象
• GPU支持

Numba的劣勢：

• 多層的抽象使得調試和優化變得非常困難
• 在nopython模式下無法與Python及其模塊進行交互
• 有限的類支持

Cython

取代分析字節碼和生成IR，Cython使用Python語法的超集，它後來轉換成C代碼。在使用Cython時，基本上是用高級Python語法編寫C代碼。

在Cython中，通常不必擔心Python包裝器和低級API調用，因為所有交互都會自動擴展到合適的C代碼。

與Numba不同，所有的Cython代碼應該在專門文件中與常規Python代碼分開。Cython將這些文件解析並轉換成C代碼，然後使用提供的C編譯器 (例如， gcc)編譯它。

Python代碼已經是有效的Cython代碼。

但是，類型版本工作得更快。

編寫快速Cython代碼需要理解C和Python內部結構。如果你熟悉C，你的Cython代碼可以運行得和C代碼一樣快。

Cython的優勢：

• 通過Python API的使用控制
• 與C/C++庫和C/C++代碼的簡單接口
• 並行執行支持
• 支持Python類，在C中提供面向對象的特性

Cython的劣勢：

• 學習曲線
• 需要C和Python內部專業技術
• 模塊的組織不方便

Numba 對 Cython

就個人而言，我更喜歡小項目和ETL實驗用Numba。你可以將其插入現有項目中。如果我需要啟動一個大項目或為C庫編寫包裝器，我將使用Cython，因為它提供更多的控制和更容易調試。

此外，Cython是許多庫的標準，如pandas、scikit-learn、scipy、Spacy、gensim和lxml。