python可以提高程序执行速度N倍你知道吗？

衡量Numba JIT对您的代码的影响的一个好方法是使用timeit模块函数来执行时间，这些函数测量多次执行迭代，因此可以在第一次执行时适应编译时间。

作为旁注，如果编译时间成为问题，Numba JIT支持 编译函数的磁盘缓存，并且还具有Ahead-Of-Time编译模式。

1.1.5。它有多快？

假设Numba可以在nopython模式下运行，或者至少编译一些循环，它将针对您的特定CPU进行编译。加速因应用而异，但可以是一到两个数量级。Numba有一个 性能指南，涵盖了获得额外性能的常用选项。

1.1.6。Numba如何运作？

Numba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相结合。它分析并优化您的代码，最后使用LLVM编译器库生成函数的机器代码版本，根据您的CPU功能量身定制。每次调用函数时都会使用此编译版本。

1.1.7。其他感兴趣的东西：

Numba有相当多的装饰，我们看到@jit和@njit，但也有：

• @vectorize- 生成NumPy ufunc（ufunc支持所有方法）。文件在这里。
• @guvectorize- 产生NumPy广义ufuncs。 文件在这里。
• @stencil - 将函数声明为类似模板操作的内核。 文件在这里。
• @jitclass - 对于jit感知类。文件在这里。
• @cfunc - 声明一个函数用作本机回调（从C / C ++等调用）。文件在这里。
• @overload- 注册您自己的函数实现，以便在nopython模式下使用，例如@overload(scipy.special.j0)。 文件在这里。

一些装饰者提供额外选项：

• parallel = True- 启用功能的 自动并行化。
• fastmath = True- 为该功能启用快速数学行为。

ctypes / cffi / cython互操作性：

• cffi- 模式支持调用CFFI函数nopython。
• ctypes- 模式支持调用ctypes包装函数nopython。。
• Cython导出的函数是可调用的。

import time



def num():

    arr = []
    for i in range(10000000):
        arr.append(i)


stime = time.time()
num()
etime = time.time() - stime
# print(arr)
print('用时:{}秒'.format(etime))

用时:1.4500024318695068秒

import time
from numba import jit

@jit
def num():

    arr = []
    for i in range(10000000):
        arr.append(i)


stime = time.time()
num()
etime = time.time() - stime
# print(arr)
print('用时:{}秒'.format(etime))

用时:0.5530002117156982秒