Python因为有它运行速度比C 快100倍 成了编程界一哥
前言
众所周知，Python 是动态语言，有全局解释器锁，比其他静态语言要慢，也正是这个原因，你也许会转向其他语言如 Java、C++，不过先等等，今天分享一个可以让 Python 比 C++ 还要快的技术，看完再决定要不要转吧。
今天的主角就是Numba，Numba 是一个开源的即时编译器（JIT compiler），可将 Python 和 NumPy 的代码的转换为快速的机器码，从而提升运行速度。可以达到 C 或 FORTRAN 的速度。
Numba 是 python 的即时（Just-in-time）编译器，即当您调用 python 函数时，您的全部或部分代码就会被转换为“即时”执行的机器码，它将以您的本地机器码速度运行！它由 Anaconda 公司赞助，并得到了许多其他组织的支持。
在 Numba 的帮助下，您可以加速所有计算负载比较大的 python 函数（例如循环）。它还支持 numpy 库！所以，您也可以在您的计算中使用 numpy，并加快整体计算，因为 python 中的循环非常慢。 您还可以使用 python 标准库中的 math 库的许多函数，如 sqrt 等。
在文末有惊喜
这么牛逼是不是很难用呢？No,No,No,So easy，你不需要替换 Python 解释器，不需要单独编译，甚至不需要安装C / C ++ 编译器。只需将 Numba 提供的装饰器放在 Python 函数上面就行，剩下的就交给 Numba 完成。举个简单的例子：
from numba import jitimport random@jit(nopython=True)def monte_carlo_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 4.0 * acc / nsamples
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：
@numba.jit(nopython=True, parallel=True)def logistic_regression(Y, X, 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
现在我们来看看，同样的代码，使用 Numba 前后与 C++ 的性能对比。比如说我们要找出 1000 万以内所有的素数，代码的算法逻辑是相同的：
import mathimport timedef 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 Truedef run_program(N): total = 0 for i in range(N):
if is_prime(i):
total += 1 return totalif __name__ == '__main__':
N = 10000000 start = time.time()
total = run_program(N)
end = time.time()
print(f'total prime num is {total}')
print(f'cost {end - start}s')
执行耗时：
total prime num is 664579cost 47.386465072631836s
C++ 代码如下：
#include <iostream>#include <cmath>#include <time.h>using namespace std;bool isPrime(int num) {
if (num == 2) return true;
if (num <= 1 || num % 2 == 0) return false;
double sqrt_num = sqrt(double(num));
for (int div = 3; div <= sqrt_num; div +=2){
if (num % div == 0) return false;
}
return true;
}int run_program(int N){
int total = 0;
for (int i; i < N; i++) {
if(isPrime(i)) total ++;
}
return total;
}int main(){
int N = 10000000;
clock_t start,end;
start = clock();
int total = run_program(N);
end = clock();
cout << 'total prime num is ' << total;
cout << '\ncost ' << (end - start) / ((double) CLOCKS_PER_SEC) << 's\n';
return 0;
}
$ g++ isPrime.cpp -o isPrime
$ ./isPrime
total prime num is 664579cost 2.36221s
C++ 确实牛逼，才 2.3 秒，不过好戏还在后头，现在我们使用 Numba 来加速一下，操作很简单，不需要改动原有的代码，先导入 Numba 的 njit，再在函数上方放个装饰器@njit 即可，其他保持不变，代码如下：
import mathimport timefrom numba import njit# @njit 相当于 @jit(nopython=True) @njitdef 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@njitdef run_program(N): total = 0 for i in range(N):
if is_prime(i):
total += 1 return totalif __name__ == '__main__':
N = 10000000 start = time.time()
total = run_program(N)
end = time.time()
print(f'total prime num is {total}')
print(f'cost {end - start}s')
运行一下，可以看出时间已经从 47.39 秒降低到 3 秒。
total prime num is 664579cost 3.0948808193206787s
相比 C++ 的 2.3 秒还是有一点慢，你可能会说 Python 还是不行啊。等一等，我们还有优化的空间，就是 Python 的 for 循环，那可是 1000 万的循环，对此，Numba 提供了 prange 参数来并行计算，从而并发处理循环语句，只需要将 range 修改为 prange，装饰器传个参数：parallel = True，其他不变，代码改动如下：
import mathimport timefrom numba import njit, prange@njitdef 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@njit(parallel = True)def run_program(N): total = 0 for i in prange(N):
if is_prime(i):
total += 1 return totalif __name__ == '__main__':
N = 10000000 start = time.time()
total = run_program(N)
end = time.time()
print(f'total prime num is {total}')
print(f'cost {end - start}s')
现在运行一下：
python isPrime.pytotal prime num is 664579cost 1.4398791790008545s
才 1.43 秒，比 C++ 还快，Numba 真的牛逼！我又运行了两次，确认自己没看错，平均就是 1.4 秒：
看到这里，Numba 又让我燃起了对 Python 的激情，我不转 C++ 了，Python 够用了。
Numba 如何做到的呢？官方文档这样介绍：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，你说牛逼不？
Numba 还有更多详细的用法，这里不多说，想了解的请移步官方文档。
最后的话
Python 几乎在每一个领域都有对应的解决方案，本文提到的 Numba 库就是专门解决 Python 在计算密集型任务方面性能不足的问题
原文链接：
https://mp.weixin.qq.com/s/4J6JZUP7f2k9Aq5n-fUc5w