Python可以比C++更快，你不信？

 Python 是你不信一个用途非常广泛的编程语言，拥有成千上万的可比快第三方库，在人工智能、你不信机器学习、可比快自动化等方面有着广泛的你不信应用，众所周知，可比快Python 是你不信动态语言，有全局解释器锁，可比快比其他静态语言要慢，你不信也正是可比快这个原因，你也许会转向其他语言如 Java、你不信C++，可比快不过先等等，你不信今天分享一个可以让 Python 比 C++ 还要快的可比快技术，看完再决定要不要转吧。你不信

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b2b供应网速度。

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 jit  import 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： 

Python 代码：  import math  import time  def 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  def run_program(N):      total = 0      for i in range(N):          if is_prime(i):              total += 1      return total  if __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 664579  cost 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 sqrtsqrt_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) << "sn";      return 0;  }   $ g++ isPrime.cpp -o isPrime  $ ./isPrime  total prime num is 664579  cost 2.36221s 

c++

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，站群服务器操作很简单，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 math  import time  from numba import njit  # @njit 相当于 @jit(nopython=True)   @njit  def 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  def run_program(N):      total = 0      for i in range(N):          if is_prime(i):              total += 1      return total if __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 664579  cost 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 math  import time  from numba import njit, prange  @njit  def 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 total  if __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.py  total prime num is 664579  cost 1.4398791790008545s 

才 1.43 秒，比 C++ 还快，Numba 真的牛逼！源码下载我又运行了两次，确认自己没看错，平均就是 1.4 秒：

Python

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[1]。

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，如果你从事机器学习、数据挖掘等领域，这个会非常有帮助，如果本文对你有用，请点赞、在看、关注支持。 

本文地址：http://www.bzuk.cn/html/142b30199556.html