这篇文章主要介绍了如何使用numba对Python运算加速，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。

有时候需要比较大的计算量，这个时候Python的效率就很让人捉急了，此时可以考虑使用numba 进行加速，效果提升明显~

(numba 安装貌似很是繁琐，建议安装Anaconda，里面自带安装好各种常用科学计算库）

from numba import jit

@jit
def t(count=1000):
 total = 0
 for i in range(int(count)):
  total += i
 return total

测试效果：

（关于__wrapped__ 见我的博文： 浅谈解除装饰器作用（python3新增） ）

In [17]: %timeit -n 1 t.__wrapped__()
1 loop, best of 3: 52.9 µs per loop

In [18]: %timeit -n 1 t()
The slowest run took 13.00 times longer than the fastest. This could mean that an intermediate result is being cached.
1 loop, best of 3: 395 ns per loop

可以看到使用jit 加速后，即使设置测试一次，实际上还是取了三次的最优值，如果取最坏值（因为最优值可能是缓存下来的），则耗时为395ns * 13 大概是5us 还是比不使用的52.9us 快上大概10倍，

增大计算量可以看到使用numba加速后的效果提升更加明显，

In [19]: %timeit -n 10 t.__wrapped__(1e6)
10 loops, best of 3: 76.2 ms per loop

In [20]: %timeit -n 1 t(1e6)
The slowest run took 8.00 times longer than the fastest. This could mean that an intermediate result is being cached.
1 loop, best of 3: 790 ns per loop

如果减少计算量，可以看到当降到明显小值时，使用加速后的效果（以最差计）与不加速效果差距不大，因此如果涉及到较大计算量不妨使用jit 加速下，何况使用起来这么简便。

%timeit -n 1 t(10)
1 loop, best of 3: 0 ns per loop

%timeit -n 100 t.__wrapped__(10)
100 loops, best of 3: 1.79 µs per loop

%timeit -n 1 t(1)
The slowest run took 17.00 times longer than the fastest. This could mean that an intermediate result is being cached.
1 loop, best of 3: 395 ns per loop

%timeit -n 100 t.__wrapped__(1)
100 loops, best of 3: 671 ns per loop

感谢你能够认真阅读完这篇文章，希望小编分享的“如何使用numba对Python运算加速”这篇文章对大家有帮助，同时也希望大家多多支持天达云，关注天达云行业资讯频道，更多相关知识等着你来学习!