一、前言
Python語言近年來人氣爆棚。它廣泛應用于數據科學，人工智能，以及網絡安全問題中，由于代碼可讀性較強，學習效率較高，吸引了許多非科班的同學進行學習。然而，使用Python一段時間以后，發(fā)現(xiàn)它在速度上完全沒有優(yōu)勢可言，特別是計算密集型任務里，性能問題一直是Python的軟肋。本文主要介紹了Python的JIT編譯器Numba，能夠在對代碼侵入最少的情況下，極大加速計算核心函數的運行速度，適合數據分析業(yè)務相關的同學使用。
首先要回答這樣一個問題：當運行同一個程序時，為什么Python會比其他語言慢2到10倍？為什么我們無法將它變得更快？
以下是最主要的原因：
- “它是GIL（Global Interpreter Lock全局解釋器鎖）”
- “它是解釋型語言而非編譯語言”
- “它是動態(tài)類型語言
由于本文的著重點并不是解釋Python速度慢的原因以及背后的邏輯，這部分就不深入探討了，歡迎有興趣的同學自行搜索。
二、Python的JIT編譯器
為了兼具移植性和性能，聰明的工程師們發(fā)明了 JIT 這個東西，所謂的 JIT 就是說在解釋型語言中，對于經常用到的或者說有較大性能提升的代碼在解釋的時候編譯成機器碼，其他一次性或者說沒有太大性能提升的代碼還是以字節(jié)碼的方式執(zhí)行。這樣的話，就能在保證移植性的同時，又能讓性能提升一大截，
JIT編譯在代碼運行時動態(tài)將Python代碼編譯為機器代碼執(zhí)行，由于避免了Python內置的解釋器，運行速度會有很大提升。比較流行的JIT方案是Numba和Pypy，但由于Python的歷史包袱和語法變化等原因，沒有一個能夠完美實現(xiàn)的方案。方案各自存在不同的優(yōu)缺點，需要在根據使用領域選擇合適的方案。
- Pypy支持全局的加速，但對C庫支持不好，較為適合用于Web服務等事務型任務。
- Numba能夠對某些函數和庫進行加速，高性能的同時保持了Python的兼容性，但使用的范圍會受到一定限制。
三、Numba快速學習
我們主要介紹Numba的基本用法，能夠在對代碼侵入最少的情況下，極大加速計算核心函數的運行速度，適合數據分析業(yè)務相關的同學使用。
Numba通過使用LLVM技術，將Python代碼編譯生成優(yōu)化后的機器碼，可以大幅提高代碼執(zhí)行效率。
關于安裝
首先是安裝numba，根據python環(huán)境，運行不同的安裝命令：
conda install numba pip install numba
四、關于使用
一句話總結：使用Numba最簡單的方式就是在函數定義前加@jit 或 @njit的裝飾即可。
Numba通過在函數定義前加decorator(修飾符)來申明是否進行加速。如上文所說，最簡單的使用方法是@jit。對于Numba的@jit有兩種編譯模式：nopython和object模式。
nopython模式會完全編譯這個被修飾的函數，函數的運行與Python解釋器完全無關，不會調用Python的C語言API。如果想獲得最佳性能，推薦使用此種模式。同時由于@jit(nopython=True)太常用了，Numba提供了@njit修飾符，和這句話等價，方便使用。但這種模式要求函數中所有變量的類型都可以被編譯器推導(一些基本類型，如不能是一些庫或自己定義的數據類型等)，否則就會報錯。
object模式中編譯器會自動識別函數中循環(huán)語句等可以編譯加速的代碼部分，并編譯成機器碼，對于剩下不能識別的部分交給Python解釋器運行。如果想獲取最佳性能，避免使用這種方法(For best performance avoid using this mode!)。
如果沒設置參數nopython=True，Numba首先會嘗試使用nopython模式，如果因為某些原因無法使用，則會使用object模式。加了nopython后則會強制編譯器使用nopython模式，但如果代碼出現(xiàn)了不能自動推導的類型，有報錯的風險。
五、實驗提升
from numba import jit
import random, time
def monte_carlo_pi(sam):
account = 0
for i in range(sam):
x = random.random()
y = random.random()
if (x ** 2 + y ** 2) < 1.0:
account += 1
return 4.0 * account / sam
@jit
def jit_monte_carlo_pi(sam):
account = 0
for i in range(sam):
x = random.random()
y = random.random()
if (x ** 2 + y ** 2) < 1.0:
account += 1
return 4.0 * account / sam
loops = [100000, 1000000, 10000000, 100000000, 1000000000]
for loop in loops:
startTime = time.time()
monte_carlo_pi(loop)
t = time.time() - startTime
print('python {} loop: {}'.format(loop, t))
startTime = time.time()
jit_monte_carlo_pi(loop)
t = time.time() - startTime
print('numba {} loop: {}'.format(loop, t))
對于以上代碼，運行的結果是：
python 100000 loop: 0.0469999313354
numba 100000 loop: 0.213999986649
python 1000000 loop: 0.478999853134
numba 1000000 loop: 0.0110001564026
python 10000000 loop: 4.82499980927
numba 10000000 loop: 0.107000112534
python 100000000 loop: 48.728000164
numba 100000000 loop: 1.05900001526
python 1000000000 loop: 489.142100134
numba 1000000000 loop: 11.01402001452
可以看到，jit編譯后有約47倍的提升。循環(huán)次數越多，numba的加速效果就越明顯。對于更復雜的計算函數，numba可能會有更好的效果。
到此這篇關于python如何提高計算速度的文章就介紹到這了,更多python代碼優(yōu)化的內容請搜索W3Cschool以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持W3Cschool！
