Numba

Numba是一個即時（JIT）編譯器，它將Python代碼轉(zhuǎn)換為用于CPU和GPU的本地機器指令。代碼可以在導入時、運行時或提前編譯。

通過使用jit裝飾器，使用Numba非常容易：

正如你所知道的，在Python中，所有代碼塊都被編譯成字節(jié)碼：

代碼優(yōu)化

為了優(yōu)化Python代碼，Numba從提供的函數(shù)中提取一個字節(jié)碼，并在其上運行一組分析器。Python字節(jié)碼包含一系列小而簡單的指令，因此不必從Python實現(xiàn)中使用源代碼就可以從字節(jié)碼中重構(gòu)函數(shù)的邏輯。轉(zhuǎn)換的過程涉及多個階段，但Numba將Python字節(jié)碼轉(zhuǎn)換為LLVM中間表示 (IR)。

請注意，LLVM IR是一種低級編程語言，它類似于匯編語法，與Python無關。

Numba 模式

Numba中有兩種模式：nopython 和 object。前者不使用Python運行時并且在沒有Python依賴項的情況下生成本機代碼。 本機代碼是靜態(tài)類型的，運行非常快。而對象模式使用Python對象和Python C API，這通常不會帶來顯著的速度改進。在這兩種情況下，Python代碼都是使用LLVM編譯的。

什么是LLVM？

LLVM是一種編譯器，它采用代碼的特殊中間表示（IR），并將其編譯成本機代碼。編譯過程涉及許多額外的傳遞，其中編譯器優(yōu)化IR。LLVM工具鏈很好地優(yōu)化了IR，不僅為Numba編譯代碼，而且優(yōu)化Numba。整個系統(tǒng)大致如下：

Python numba 體系結(jié)構(gòu)

Numba的優(yōu)勢：

• 易用性
• 自動并行化
• 支持numpy操作和對象
• GPU支持

Numba的劣勢：

多層的抽象使得調(diào)試和優(yōu)化變得非常困難

在nopython模式下無法與Python及其模塊進行交互

有限的類支持

Cython

取代分析字節(jié)碼和生成IR，Cython使用Python語法的超集，它后來轉(zhuǎn)換成C代碼。在使用Cython時，基本上是用高級Python語法編寫C代碼。

在Cython中，通常不必擔心Python包裝器和低級API調(diào)用，因為所有交互都會自動擴展到合適的C代碼。

與Numba不同，所有的Cython代碼應該在專門文件中與常規(guī)Python代碼分開。Cython將這些文件解析并轉(zhuǎn)換成C代碼，然后使用提供的C編譯器 (例如， gcc)編譯它。

Python代碼已經(jīng)是有效的Cython代碼。

但是，類型版本工作得更快。

編寫快速Cython代碼需要理解C和Python內(nèi)部結(jié)構(gòu)。如果你熟悉C，你的Cython代碼可以運行得和C代碼一樣快。

Cython的優(yōu)勢：

• 通過Python API的使用控制
• 與C/C++庫和C/C++代碼的簡單接口
• 并行執(zhí)行支持
• 支持Python類，在C中提供面向?qū)ο蟮奶匦?/li>

Cython的劣勢：

• 學習曲線
• 需要C和Python內(nèi)部專業(yè)技術
• 模塊的組織不方便

Numba 對 Cython

就個人而言，我更喜歡小項目和ETL實驗用Numba。你可以將其插入現(xiàn)有項目中。如果我需要啟動一個大項目或為C庫編寫包裝器，我將使用Cython，因為它提供更多的控制和更容易調(diào)試。

此外，Cython是許多庫的標準，如pandas、scikit-learn、scipy、Spacy、gensim和lxml。

以上就是利用Numba與Cython結(jié)合提升python運行效率詳解的詳細內(nèi)容，更多關于提升python運行效率的資料請關注腳本之家其它相關文章！

最新評論