numba加速numpy,numpy比pandas运算快
本文主要介绍如何使用numba将python提速百倍。由于其动态解释语言,numba是一个JIT编译器,可以将python函数编译成机器码。以下是关于numba的相关内容,可以给朋友们参考一下。
00-1010一、numba是什么?第二,numba适合科学计算。第三,学会使用numba。第四,农巴让python在前言;.飞
由于其动态解释语言的特性,python运行代码的速度比java和C慢得多,尤其是在进行科学计算时。亿万亿次的运算让python的这个劣势更加突出。
办法总比困难多。numba是解决python慢的一大利器,可以让python的运行速度提高几百倍!
目录
Numba是一个JIT编译器,可以将python函数编译成机器码。numba编译的python代码(仅限数组操作)运行速度可以和C或FORTRAN语言一样快。
python慢是因为它是用Cpython编译的,numba的作用就是改变Python的编译器。
python、c、numba三种编译器速度对比:
使用numba非常简单。你只需要将numba decorator应用到python函数中,不需要改变原有的python代码,剩下的事情numba会自动完成。
将numpy作为np导入
进口数量
从numba进口jit
@jit(nopython=True) # jit,numba decorators之一
第一次调用DEF _ FAST (A) : #时,函数被编译成机器码。
跟踪=0
#假设输入变量是一个numpy数组
对于I in Range(a . Shape[0]): # Numba擅长处理循环。
trace=np.tanh(a[i,i])
返回跟踪
上面的代码是一个python函数,用来计算numpy数组每个数值的双曲正切值。我们使用numba decorator,它将这个python函数编译成等价的机器码,可以大大减少运行时间。
一、什么是numba?
Numpy是为面向numpy阵列的计算任务而设计的。
在面向阵列的计算任务中,数据并行对于GPU这样的加速器来说是很自然的。Numba理解NumPy数组类型,并使用它们来生成高效的编译代码,以便在GPU或多核CPU上执行。特殊的装饰者也可以创建像numpy函数一样在numpy数组上广播的函数。
什么情况下使用numba呢?
当使用for循环时当使用numpy数组做大量的科学计算时
二、numba适合科学计算
第一步:进口numpy、numba及其编译器
将numpy作为np导入
进口数量
从numba进口jit
第二步:被传入numba decorator jit,函数被编写。
#即将到来的jit,numba装饰者之一
@jit(nopython=True)
第一次调用DEF _ FAST (A) : #时,函数被编译成机器码。
跟踪=0
#假设输入变量是一个numpy数组
对于I in Range(a . Shape[0]): # Numba擅长处理循环。
Trace=np.tanh(a[i,i]) # numba喜欢numpy函数。
Returntrace # numba喜欢numpy电台
noPython=True选项要求函数完全编译(以便完全删除Python解释器调用),否则将抛出异常。这些异常通常表示函数中需要修改的位置,以获得比Python更好的性能。强烈建议您始终使用nopython=True。
trong>第三步:给函数传递实参
# 因为函数要求传入的参数是nunpy数组
第四步:经numba加速的函数执行时间
% timeit go_fast(x)
输出:
3.63 µs ± 156 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
第五步:不经numba加速的函数执行时间
def go_fast(a): # 首次调用时,函数被编译为机器代码
输出:
136 µs ± 1.09 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
结论:
在numba加速下,代码执行时间为3.63微秒/循环。不经过numba加速,代码执行时间为136微秒/循环,两者相比,前者快了40倍。
四、numba让python飞起来
前面已经对比了numba
使用前后,python代码速度提升了40倍,但这还不是最快的。
这次,我们不使用numpy数组,仅用for循环,看看nunba对for循环到底有多钟爱!
# 不使用numba的情况
输出:
408 µs ± 9.73 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
# 使用numba的情况
输出:
1.57 µs ± 53.8 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
使用numba前后分别是408微秒/循环、1.57微秒/循环,速度整整提升了200多倍!
结语:
numba对python代码运行速度有巨大的提升,这极大的促进了大数据时代的python数据分析能力,对数据科学工作者来说,这真是一个lucky tool !
当然numba不会对numpy和for循环以外的python代码有很大帮助,你不要指望numba可以帮你加快从数据库取数,这点它真的做不到哈。
到此这篇关于利用numba让python速度提升百倍的文章就介绍到这了,更多相关python速度提升numba内容请搜索盛行IT软件开发工作室以前的文章或继续浏览下面的相关文章希望大家以后多多支持盛行IT软件开发工作室!
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。