有时候需要比较大的计算量，这个时候Python的效率就很让人捉急了，此时可以考虑使用numba 进行加速，效果提升明显~

(numba 安装貌似很是繁琐，建议安装Anaconda，里面自带安装好各种常用科学计算库）

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

测试效果：

（关于__wrapped__ 见我的博文： 浅谈解除装饰器作用（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，即使设置测试一次，实际上还是取了三次的最优值，如果取最坏值（因为最优值可能是缓存下来的），则耗时为395ns * 13 大概是5us 还是比不使用的52.9us 快上大概10倍，

增大计算量可以看到使用numba加速后的效果提升更加明显，

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

如果减少计算量，可以看到当降到明显小值时，使用加速后的效果（以最差计）与不加速效果差距不大，因此如果涉及到较大计算量不妨使用jit 加速下，何况使用起来这么简便。

%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

以上这篇使用numba对Python运算加速的方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。