python一直被病垢運行速度太慢，但是實際上python的執行效率并不慢，慢的是python用的解釋器Cpython運行效率太差。
“一行代碼讓python的運行速度提高100倍”這絕不是嘩眾取寵的論調。
我們來看一下這個最簡單的例子，從1一直累加到1億。
最原始的代碼：
import timedef foo(x,y): tt = time.time() s = 0 for i in range(x,y): s += i print('Time used: {} sec'.format(time.time()-tt)) return sprint(foo(1,100000000))結果：
Time used: 6.779874801635742 sec
4999999950000000
我們來加一行代碼，再看看結果：
from numba import jitimport time@jitdef foo(x,y): tt = time.time() s = 0 for i in range(x,y): s += i print('Time used: {} sec'.format(time.time()-tt)) return sprint(foo(1,100000000))結果：
Time used: 0.04680037498474121 sec
4999999950000000
是不是快了100多倍呢？
那么下面就分享一下“為啥numba庫的jit模塊那么牛掰？”
NumPy的創始人Travis Oliphant在離開Enthought之后，創建了CONTINUUM，致力于將Python大數據處理方面的應用。最近推出的Numba項目能夠將處理NumPy數組的Python函數JIT編譯為機器碼執行，從而上百倍的提高程序的運算速度。
Numba項目的主頁上有Linux下的詳細安裝步驟。編譯LLVM需要花一些時間。
Windows用戶可以從Unofficial Windows Binaries for Python Extension Packages下載安裝LLVMPy、meta和numba等幾個擴展庫。
下面我們看一個例子：
import numba as nbfrom numba import jit@jit('f8(f8[:])')def sum1d(array): s = 0.0 n = array.shape[0] for i in range(n): s += array[i] return simport numpy as nparray = np.random.random(10000)%timeit sum1d(array)%timeit np.sum(array)%timeit sum(array)10000 loops, best of 3: 38.9 us per loop10000 loops, best of 3: 32.3 us per loop100 loops, best of 3: 12.4 ms per loopnumba中提供了一些修飾器，它們可以將其修飾的函數JIT編譯成機器碼函數，并返回一個可在Python中調用機器碼的包裝對象。為了能將Python函數編譯成能高速執行的機器碼，我們需要告訴JIT編譯器函數的各個參數和返回值的類型。我們可以通過多種方式指定類型信息，在上面的例子中，類型信息由一個字符串'f8(f8[:])'指定。其中'f8'表示8個字節雙精度浮點數，括號前面的'f8'表示返回值類型，括號里的表示參數類型，'[:]'表示一維數組。因此整個類型字符串表示sum1d()是一個參數為雙精度浮點數的一維數組，返回值是一個雙精度浮點數。
需要注意的是，JIT所產生的函數只能對指定的類型的參數進行運算：
print sum1d(np.ones(10, dtype=np.int32))print sum1d(np.ones(10, dtype=np.float32))print sum1d(np.ones(10, dtype=np.float64))1.2095376009e-3121.46201599944e+18510.0
如果希望JIT能針對所有類型的參數進行運算，可以使用autojit：
from numba import autojit@autojitdef sum1d2(array): s = 0.0 n = array.shape[0] for i in range(n): s += array[i] return s%timeit sum1d2(array)print sum1d2(np.ones(10, dtype=np.int32))print sum1d2(np.ones(10, dtype=np.float32))print sum1d2(np.ones(10, dtype=np.float64))10000 loops, best of 3: 143 us per loop10.010.010.0
autoit雖然可以根據參數類型動態地產生機器碼函數，但是由于它需要每次檢查參數類型，因此計算速度也有所降低。numba的用法很簡單，基本上就是用jit和autojit這兩個修飾器，和一些類型對象。下面的程序列出numba所支持的所有類型：
print [obj for obj in nb.__dict__.values() if isinstance(obj, nb.minivect.minitypes.Type)][size_t, Py_uintptr_t, uint16, complex128, float, complex256, void, int , long double,unsigned PY_LONG_LONG, uint32, complex256, complex64, object_, npy_intp, const char *,double, unsigned short, float, object_, float, uint64, uint32, uint8, complex128, uint16,int, int , uint8, complex64, int8, uint64, double, long double, int32, double, long double,char, long, unsigned char, PY_LONG_LONG, int64, int16, unsigned long, int8, int16, int32,unsigned int, short, int64, Py_ssize_t]
工作原理
numba的通過meta模塊解析Python函數的ast語法樹，對各個變量添加相應的類型信息。然后調用llvmpy生成機器碼，最后再生成機器碼的Python調用接口。
meta模塊
通過研究numba的工作原理，我們可以找到許多有用的工具。例如meta模塊可在程序源碼、ast語法樹以及Python二進制碼之間進行相互轉換。下面看一個例子：
def add2(a, b): return a + b
decompile_func能將函數的代碼對象反編譯成ast語法樹，而str_ast能直觀地顯示ast語法樹，使用這兩個工具學習Python的ast語法樹是很有幫助的。
from meta.decompiler import decompile_funcfrom meta.asttools import str_astprint str_ast(decompile_func(add2))FunctionDef(args=arguments(args=[Name(ctx=Param(), id='a'), Name(ctx=Param(), id='b')], defaults=[], kwarg=None, vararg=None), body=[Return(value=BinOp(left=Name(ctx=Load(), id='a'), op=Add(), right=Name(ctx=Load(), id='b')))], decorator_list=[], name='add2')
而python_source可以將ast語法樹轉換為Python源代碼：
from meta.asttools import python_sourcepython_source(decompile_func(add2))def add2(a, b): return (a + b)
decompile_pyc將上述二者結合起來，它能將Python編譯之后的pyc或者pyo文件反編譯成源代碼。下面我們先寫一個tmp.py文件，然后通過py_compile將其編譯成tmp.pyc。
with open("tmp.py", "w") as f: f.write("""def square_sum(n): s = 0 for i in range(n): s += i**2 return s""")import py_compilepy_compile.compile("tmp.py")下面調用decompile_pyc將tmp.pyc顯示為源代碼：
with open("tmp.pyc", "rb") as f: decompile_pyc(f)def square_sum(n): s = 0 for i in range(n): s += (i ** 2) return sllvmpy模塊
LLVM是一個動態編譯器，llvmpy則可以通過Python調用LLVM動態地創建機器碼。直接通過llvmpy創建機器碼是比較繁瑣的，例如下面的程序創建一個計算兩個整數之和的函數，并調用它計算結果。
from llvm.core import Module, Type, Builderfrom llvm.ee import ExecutionEngine, GenericValue# Create a new module with a function implementing this:## int add(int a, int b) {# return a + b;# }#my_module = Module.new('my_module')ty_int = Type.int()ty_func = Type.function(ty_int, [ty_int, ty_int])f_add = my_module.add_function(ty_func, "add")f_add.args[0].name = "a"f_add.args[1].name = "b"bb = f_add.append_basic_block("entry")# IRBuilder for our basic blockbuilder = Builder.new(bb)tmp = builder.add(f_add.args[0], f_add.args[1], "tmp")builder.ret(tmp)# Create an execution engine object. This will create a JIT compiler# on platforms that support it, or an interpreter otherwiseee = ExecutionEngine.new(my_module)# Each argument needs to be passed as a GenericValue object, which is a kind# of variantarg1 = GenericValue.int(ty_int, 100)arg2 = GenericValue.int(ty_int, 42)# Now let's compile and run!retval = ee.run_function(f_add, [arg1, arg2])# The return value is also GenericValue. Let's print it.print "returned", retval.as_int()returned 142 f_add就是一個動態生成的機器碼函數，我們可以把它想象成C語言編譯之后的函數。在上面的程序中，我們通過ee.run_function調用此函數，而實際上我們還可以獲得它的地址，然后通過Python的ctypes模塊調用它。
首先通過ee.get_pointer_to_function獲得f_add函數的地址：
addr = ee.get_pointer_to_function(f_add)addr2975997968L
然后通過ctypes.PYFUNCTYPE創建一個函數類型：
import ctypesf_type = ctypes.PYFUNCTYPE(ctypes.c_int, ctypes.c_int, ctypes.c_int)
最后通過f_type將函數的地址轉換為可調用的Python函數，并調用它：
f = f_type(addr)f(100, 42)142
numba所完成的工作就是：
解析Python函數的ast語法樹并加以改造，添加類型信息；
將帶類型信息的ast語法樹通過llvmpy動態地轉換為機器碼函數，然后再通過和ctypes類似的技術為機器碼函數創建包裝函數供Python調用。
總結
以上所述是小編給大家介紹的一行代碼讓 Python 的運行速度提高100倍，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對VEVB武林網網站的支持！
新聞熱點
疑難解答
