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
@jit
def 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 loop
In [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 loop
In [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腳本之家。
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
