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 loop

numba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