一、前言
Python語言近年來人氣爆棚。它廣泛應用于數(shù)據(jù)科學，人工智能，以及網(wǎng)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(shù)的運行速度，適合數(shù)據(jù)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(jīng)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(nèi)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(jù)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(shù)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(shù)的運行速度，適合數(shù)據(jù)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(jù)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(shù)定義前加@jit 或 @njit的裝飾即可。
Numba通過在函數(shù)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(shù)，函數(shù)的運行與Python解釋器完全無關，不會調(diào)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(shù)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(shù)據(jù)類型等)，否則就會報錯。
object模式中編譯器會自動識別函數(shù)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(shù)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(shù)越多，numba的加速效果就越明顯。對于更復雜的計算函數(shù)，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(nèi)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！
