有時候需要比較大的計算量，這個時候Python的效率就很讓人捉急了，此時可以考慮使用numba 進行加速，效果提升明顯~

(numba 安裝貌似很是繁瑣，建議安裝Anaconda，里面自帶安裝好各種常用科學計算庫）

from numba import jit@jitdef t(count=1000): total = 0 for i in range(int(count)):  total += i return total

測試效果：

（關于__wrapped__ 見我的博文： 淺談解除裝飾器作用（python3新增） ）

In [17]: %timeit -n 1 t.__wrapped__()1 loop, best of 3: 52.9 µs per loopIn [18]: %timeit -n 1 t()The slowest run took 13.00 times longer than the fastest. This could mean that an intermediate result is being cached.1 loop, best of 3: 395 ns per loop

可以看到使用jit 加速后，即使設置測試一次，實際上還是取了三次的最優值，如果取最壞值（因為最優值可能是緩存下來的），則耗時為395ns * 13 大概是5us 還是比不使用的52.9us 快上大概10倍，

增大計算量可以看到使用numba加速后的效果提升更加明顯，

In [19]: %timeit -n 10 t.__wrapped__(1e6)10 loops, best of 3: 76.2 ms per loopIn [20]: %timeit -n 1 t(1e6)The slowest run took 8.00 times longer than the fastest. This could mean that an intermediate result is being cached.1 loop, best of 3: 790 ns per loop

如果減少計算量，可以看到當降到明顯小值時，使用加速后的效果（以最差計）與不加速效果差距不大，因此如果涉及到較大計算量不妨使用jit 加速下，何況使用起來這么簡便。

%timeit -n 1 t(10)1 loop, best of 3: 0 ns per loop%timeit -n 100 t.__wrapped__(10)100 loops, best of 3: 1.79 µs per loop%timeit -n 1 t(1)The slowest run took 17.00 times longer than the fastest. This could mean that an intermediate result is being cached.1 loop, best of 3: 395 ns per loop%timeit -n 100 t.__wrapped__(1)100 loops, best of 3: 671 ns per loop

以上這篇使用numba對Python運算加速的方法就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持武林站長站。