1.1 Numba的约5分钟指南
Numba是Python的即时编译器，它最适用于使用NumPy数组和函数以及循环的代码。使用Numba的最常用方法是通过其装饰器集合，可以应用于您的函数来指示Numba编译它们。当调用Numba修饰函数时，它被编译为机器代码“及时”执行，并且您的全部或部分代码随后可以以本机机器代码速度运行！
开箱即用的Numba使用以下方法：
- 操作系统：Windows（32位和64位），OSX和Linux（32位和64位）
- 架构：x86，x86_64，ppc64le。在armv7l，armv8l（aarch64）上进行实验。
- GPU：Nvidia CUDA。AMD ROC的实验。
- CPython的
- NumPy 1.10 - 最新
1.1.1 我怎么得到它？
Numba可作为畅达包为 蟒蛇Python发布：
Numba还有pip可供选择：
Numba也可以 从源代码编译，虽然我们不建议首次使用Numba用户。
Numba通常用作核心包，因此其依赖性保持在绝对最小值，但是，可以按如下方式安装额外的包以提供其他功能：
- scipy- 支持编译numpy.linalg功能。
- colorama - 支持回溯/错误消息中的颜色突出显示。
- pyyaml - 通过YAML配置文件启用Numba配置。
- icc_rt - 允许使用Intel SVML（高性能短矢量数学库，仅限x86_64）。安装说明在性能提示中。
1.1.2 Numba会为我的代码工作吗？
这取决于你的代码是什么样的，如果你的代码是以数字为导向的（做了很多数学运算），经常使用NumPy和/或有很多循环，那么Numba通常是一个不错的选择。在这些例子中，我们将应用最基本的Numba的JIT装饰器，@jit试图加速一些函数来演示哪些有效，哪些无效。
Numba在代码看起来像这样：
对于看起来像这样的代码，如果有的话，它将无法正常工作：
请注意，Numba不理解Pandas，因此Numba只是通过解释器运行此代码，但增加了Numba内部开销的成本！
1.1.3 什么是nopython模式？
Numba @jit装饰器从根本上以两种编译模式运行， nopython模式和object模式。在go_fast上面的例子中， nopython=True在@jit装饰器中设置，这是指示Numba在nopython模式下操作。nopython编译模式的行为本质上是编译装饰函数，以便它完全运行而不需要Python解释器的参与。这是使用Numba jit装饰器的推荐和最佳实践方式，因为它可以带来最佳性能。
如果编译nopython模式失败，Numba可以编译使用 ，如果没有设置，这是装饰器的 后退模式（如上例所示）。在这种模式下，Numba将识别它可以编译的循环并将它们编译成在机器代码中运行的函数，并且它将运行解释器中的其余代码。为获得最佳性能，请避免使用此模式objectmode@jitnopython=Trueuse_pandas
1.1.4 如何衡量Numba的表现？
首先，回想一下，Numba必须为执行函数的机器代码版本之前给出的参数类型编译函数，这需要时间。但是，一旦编译完成，Numba会为所呈现的特定类型的参数缓存函数的机器代码版本。如果再次使用相同的类型调用它，它可以重用缓存的版本而不必再次编译。
测量性能时，一个非常常见的错误是不考虑上述行为，并使用一个简单的计时器来计算一次，该计时器包括在执行时编译函数所花费的时间。
例如：
这，例如打印：
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。
1.1.7.1 GPU目标：
Numba可以针对Nvidia CUDA和（实验性）AMD ROC GPU。您可以使用纯Python编写内核，让Numba处理计算和数据移动（或明确地执行此操作）。单击关于CUDA或ROC的 Numba文档 。
示例：接下来我们写一段简单的代码，来计算一下执行时间：
示例1：不使用numba的:
示例输出时间:
示例2：使用numba @jit
示例输出:
结论：
上述两个示例代码，一个使用了numba，另一个没有使用numba；可以看出使用numba @jit装饰后，时间明显快了很多倍。
这只是一个简单示例；对于复杂计算提高速度更明显。
最后，小编想说：我是一名python开发工程师，整理了一套最新的python系统学习教程，想要这些资料的可以关注私信小编“01”即可，希望能对你有所帮助