时间：2021-06-06 来源：原创
Numba是Python的即时编译器，可以作用在NumPy数组、函数和循环代码上。使用Numba最常见的方式是通过它的装饰器，将装饰器应用到函数上，指示Numba编译它们。当调用numba修饰函数时，代码将会被“即时”编译为机器码执行，使代码可以以机器码速度运行，极大地提高python代码的运行速度。
如何安装？
- Numba是一个conda包，可以安装Anaconda Python发行版:
$ conda install numba- 也可以通过Pypi进行安装
$ pip install numba当然，可以通过源码进行编译安装，但不推荐第一次适用Numba的用户使用。
Numba常常被作为核心库使用，所以其依赖库很少，当然，一些额外的功能需要一些可选的依赖库的支持：
scipy- 以支持编译numpy.linalg函数。colorama- 以支持回溯或错误消息中的颜色高亮。pyyaml- 以支持通过Yaml文件配置Numba.icc_rt- 以支持使用英特尔 SVML (高性能短向量数学库, 仅支持x86_64架构). 安装指南参见 performance tips.
Numba如何编译代码？
这取决于你的代码是什么形式的，如果代码主要为数学运算，使用了较多的NumPy计算或者有很多循环操作，那么Numba将会是一个很好的选择。在下面的例子中，将采用Numba最基本的JIT装饰器@jit，加速编写好的一些函数。
Numba可以很好地处理如下代码:
from numba import jit
import numpy as np
x = np.arange(100).reshape(10, 10)
@jit(nopython=True) # Set "nopython" mode for best performance, equivalent to @njit
def go_fast(a): # Function is compiled to machine code when called the first time
trace = 0.0
for i in range(a.shape[0]): # Numba likes loops
trace += np.tanh(a[i, i]) # Numba likes NumPy functions
return a + trace # Numba likes NumPy broadcasting
print(go_fast(x))但如下的代码，Numba的加速效果将不佳:
from numba import jit
import pandas as pd
x = {'a': [1, 2, 3], 'b': [20, 30, 40]}
@jit
def use_pandas(a): # Function will not benefit from Numba jit
df = pd.DataFrame.from_dict(a) # Numba doesn't know about pd.DataFrame
df += 1 # Numba doesn't understand what this is
return df.cov() # or this!
print(use_pandas(x))注意，Numba不支持Pandas库，因此Numba会简单地通过解释器运行这段代码，而且还会增加Numba内部开销的成本!
什么是 nopython 模式?
Numba @jit装饰器一般以两种编译模式运行，nopython模式和object模式。在上面的go_fast例子中，@jit装饰器中设置了nopython=True；这是指示Numba在nopython模式下操作。nopython编译模式的行为本质上是编译修饰函数，使其完全运行而不需要Python解释器的参与。这是使用Numba jit装饰器的最佳实践方式，因为它能带来最好的性能。
如果在nopython模式下编译失败，Numba可以使用对象模式编译。如果没有设置nopython=True(如上面的use_pandas例子所示)，@jit装饰器将采用回退模式，在这种模式下，Numba将识别它可以编译的循环，并将这些循环编译成在机器码中运行的函数，然后在解释器中运行其余的代码。为了获得最佳性能，应避免使用这种模式!
如何衡量Numba的表现?
如何衡量Numba的性能?
首先，Numba必须根据给定的参数类型编译函数，然后才能执行函数的机器码版本，编译的过程需要一定的时间。但是，一旦编译完成，Numba会缓存编译好的机器码版本，用于提供特定类型的参数。如果再次使用相同的类型调用它，它可以重用缓存的版本，而不必再次编译。
在度量性能时，在第一次运行过程中，应考虑上述行为，而不只用一个简单的计时器来计时代码，其中包括在执行时间中编译函数所花费的时间。
from numba import jit
import numpy as np
import time
x = np.arange(100).reshape(10, 10)
@jit(nopython=True)
def go_fast(a): # Function is compiled and runs in machine code
trace = 0.0
for i in range(a.shape[0]):
trace += np.tanh(a[i, i])
return a + trace
# DO NOT REPORT THIS... COMPILATION TIME IS INCLUDED IN THE EXECUTION TIME!
start = time.time()
go_fast(x)
end = time.time()
print("Elapsed (with compilation) = %s" % (end - start))
# NOW THE FUNCTION IS COMPILED, RE-TIME IT EXECUTING FROM CACHE
start = time.time()
go_fast(x)
end = time.time()
print("Elapsed (after compilation) = %s" % (end - start))运行时间
Elapsed (with compilation) = 0.33030009269714355
Elapsed (after compilation) = 6.67572021484375e-06衡量Numba JIT对代码影响的一个好方法是使用timeit模块函数来计时执行，因此，可以在第一次执行中适应编译时间。如果编译时间是个问题，Numba JIT支持已编译函数的磁盘缓存，并且还支持提前编译模式。
Numba有多快呢？
Numba读取修饰函数的Python字节码，并将其与关于函数输入参数类型的信息结合起来。分析和优化代码，最后使用LLVM编译器库生成机器码版本，并兼容当前的CPU，且以后每次调用函数时都会使用编译后的版本。
其他的主要亮点
Numba有相当多的装饰器，前面主要介绍了@jit，但也有:
@njit-@jit(nopython=True)的简写，方便快速使用@vectorize- 用于生成Numpy的ufunc函数 (支持所有的ufunc方法). Docs are here.@guvectorize- 用于生成通用的NumPyufunc函数. Docs are here.@stencil- 将函数声明为类似于模板的操作的内核. Docs are here.@jitclass- 可用于编译Python类. Docs are here.@cfunc- 声明一个函数用于本机回调(从C/ c++等调用). Docs are here.@overload- 注册一个函数实现以供在nopython模式下使用, 如@overload(scipy.special.j0). Docs are here.
一些装饰器提供的额外选项：
parallel = True- 为函数提供自动并行运行。fastmath = True- 为函数提供快速的数学运算。
ctypes / cffi / cython互操作性:
GPU加速
Numba支持Nvidia CUDA和(实验性的)AMD ROC图形处理器。你可以用纯Python编写一个内核，让Numba处理计算数据。详细可参见CUDA或ROC。
参考：https://numba.readthedocs.io/en/stable/user/5minguide.html
来源：原创
