Python3:只用一个装饰器,就让python的运行速度提升200倍!!

简介: Python3:只用一个装饰器,就让python的运行速度提升200倍!!

1、引言

小屌丝:鱼哥,我今天被鄙视了

小鱼:因为你的颜值被鄙视了??

小屌丝:咱还能正常聊天吗??

小鱼:好吧,我已经很正经的说话了,那你说吧,因为啥被鄙视了?

小屌丝:今天一个小菜鸟说C语言是世界上运行速度最快的语言,我非常不服气~~

小鱼:那有啥不服气的,我都觉得这话说得没啥毛病。

小屌丝:鱼哥,小姐姐说谁的速度快,就跟谁YYSX。

小鱼:那…这… 我赞同,我也表示不不服。

2、Numba

关于Numba的详细文档,点击Numba传送门即被可传送。

但是文档归文档,我们还是要简单的说一下Numba。

2.1 简介

numba 是一款可以将 python 函数编译为机器代码的JIT编译器,经过 numba 编译的python 代码(仅限数组运算),其运行速度可以接近 C 或 FORTRAN 语言。

小屌丝:看样子很厉害的哦,那使用起来,是不是很难呢?

小鱼:不难不难,到底有多容易,请往下看:


不要:

不需要替换Python解析器

不需要单独编译

不需要安装C/C++编译器

一需要:

将 Numba 提供的装饰器放在 Python 函数上面就行

小屌丝:哎哟~总结的还挺到位。

小鱼:没事别说话,打断我思路了都!!

2.2 安装

在撸码前,需要确认,是否已经有numba这个库,

如果没有的话,那我们回想一下,有几种方法呢????

一行代码导入Python所有库

pip install 手动安装

pip.main自动安装

不管哪种方法,能安装上就是可行的。

在这里,小鱼就直接举例单独安装:

pip install numba

详细可参考:

Python3:我低调的只用一行代码,就导入Python所有库!》;

Python3,选择Python自动安装第三方库,从此跟pip说拜拜!!

2.3 代码实例

安装完numba库,那就直接上代码,展示一下速度…

看看能不能比我们的苏神跑的快!

实例一:

我们看看调用jit的样子

# -*- coding:utf-8 -*-
# @Time   : 2021-08-08
# @Author : carl_DJ
from numba import jit
import random
# 调用jit装饰器
@jit(nopython=True)
def mot_pi(nsamples):
    acc =0
    for i in range(nsamples):
        x = random.random()
        y = random.random()
        if (x ** 2 + y ** 2) <1.0 :
            acc +=1
    return 8.0 * acc /nsamples

实例二

Numba 是专为科学计算而设计的,在与 NumPy 一起使用时,Numba 会为不同的数组数据类型生成专门的代码,以优化性能为主,

上代码:

# -*- coding:utf-8 -*-
# @Time   : 2021-08-08
# @Author : carl_DJ
@numba.jit(nopython=True, parallel=True)
def logistic_regress(X, Y, w, iterations):
    for i in range(iterations):
        w -= np.dot(((1.0 /
              (1.0 + np.exp(-Y * np.dot(X, w)))
              - 1.0) * Y), X)
    return w

小屌丝:这个…我看不懂…

小鱼:看不懂啊,没关系,毕竟不是每个人都对科学计算有兴趣。

小屌丝:你这是在侮(xiu)辱我!!!

小鱼:你不配~ ~

如果大家看不懂这个实例,没事没事,别灰心,

接下来,我们就来搞个大一点的事情。

3、 代码实战

上面的代码,就是一个热身了~ ~

接下来,我们就用正儿八经的例子,看看Numba的运行速度有多快。

有了苏神的速度,还担心妹子不跟咱YYXS吗!!

举个例子

我们使用和不使用Numba,来找出1000个W以内所有的素数。

3.1 不使用Numba

我们不使用Numba,来看看花费多长时间。

上代码

# -*- coding:utf-8 -*-
# @Time   : 2021-08-08
# @Author : carl_DJ
import math
import time
def is_prime(num):
    if num == 2:
        return True
    if num <= 1 or not num % 2:
        return False
    for div in range(3, int(math.sqrt(num) + 1), 2):
        if not num % div:
            return False
    return True
def run_program(N):
    total = 0
    for i in range(N):
        if is_prime(i):
            total += 1
    return total
if __name__ == "__main__":
    N = 10000000
    start = time.time()
    total = run_program(N)
    end = time.time()
    print(f"1000W以内所有的素数是: {total}")
    print(f"耗时: {end - start}s")

行结果

1000W以内所有的素数是: 664579
耗时: 245.93426966667175s

小屌丝:好吧,这运行速度,确实有点…

小鱼:别灰心啊,我们不是还有Numba吗。

3.2 使用Numba

我们使用Numba,看看花费多长时间。

上代码

# -*- coding:utf-8 -*-
# @Time   : 2021-08-08
# @Author : carl_DJ
import math
import time
from numba import njit
# @njit 相当于 @jit(nopython=True) 
@njit
def is_prime(num):
    if num == 2:
        return True
    if num <= 1 or not num % 2:
        return False
    for div in range(3, int(math.sqrt(num) + 1), 2):
        if not num % div:
            return False
    return True
# #普通循环计算,
# @njit
# def run_program(N):
#     total = 0
#     #普通range循环处理
#     for i in range(N):
#         if is_prime(i):
#             total += 1
#     return total
#使用Numba的prange来进行并发循环计算
@njit(parallel = True)
def run_program(N):
    total = 0
    #使用Numba提供的prange参数来进行并行计算
    for i in prange(N):
        if is_prime(i):
            total += 1
    return total
if __name__ == "__main__":
    N = 10000000
    start = time.time()
    total = run_program(N)
    end = time.time()
    print(f"1000W以内所有的素数是: {total}")
    print(f"耗时: {end - start}s")

运行结果

  • 未使用Numba的prange运行结果,如下:
1000W以内所有的素数是: 664579
耗时: 11.453454494476318s

使用Numba的prange运行结果,如下:

total prime num is 664579
cost 5.30582857131958s

小屌丝:我的天啊, 这么神奇吗~

小鱼:必须的。

小屌丝:鱼哥,鱼哥,它是怎么做到的??

小鱼:嗯,我们来看看官方文档怎么解释的。

官方文档解释:

它读取装饰函数的 Python 字节码,并将其与有关函数输入参数类型的信息结合起来,分析和优化代码,最后使用编译器库(LLVM)针对你的 CPU 生成量身定制的机器代码。每次调用函数时,都会使用此编译版本,

小屌丝:原来如此…看来我今晚和小姐姐YYSX 是有戏了。

小鱼:就这点出息了!!!


4、总结

虽然Python是动态语言,有全局解释器锁,比其他静态语言要慢,

但是,通过今天小鱼分享的Numba,是不是把你心中那一团火又燃烧了。

说归说,闹归闹,官方文档最重要!

所以,关于更多的Numba的知识,还请异步到官方文档

倒数三个数,开始上链接,宝宝们准备好。

3

2

1

官网文档:http://numba.pydata.org/numba-doc/latest/index.html

目录
相关文章
|
16天前
|
存储 索引 Python
|
2天前
|
缓存 开发者 Python
探索Python中的装饰器:简化和增强你的代码
【10月更文挑战第32天】 在编程的世界中,简洁和效率是永恒的追求。Python提供了一种强大工具——装饰器,它允许我们以声明式的方式修改函数的行为。本文将深入探讨装饰器的概念、用法及其在实际应用中的优势。通过实际代码示例,我们不仅理解装饰器的工作方式,还能学会如何自定义装饰器来满足特定需求。无论你是初学者还是有经验的开发者,这篇文章都将为你揭示装饰器的神秘面纱,并展示如何利用它们简化和增强你的代码库。
|
3天前
|
Python
探索Python装饰器:从入门到实践
【10月更文挑战第32天】在编程世界中,装饰器是一种特殊的函数,它允许我们在不改变原有函数代码的情况下,增加额外的功能。本文将通过简单易懂的语言和实际案例,带你了解Python中装饰器的基础知识、应用以及如何自定义装饰器,让你的代码更加灵活和强大。
11 2
|
5天前
|
设计模式 缓存 测试技术
Python中的装饰器:功能增强与代码复用的艺术####
本文将深入探讨Python中装饰器的概念、用途及实现方式,通过实例演示其如何为函数或方法添加新功能而不影响原有代码结构,从而提升代码的可读性和可维护性。我们将从基础定义出发,逐步深入到高级应用,揭示装饰器在提高代码复用性方面的强大能力。 ####
|
3天前
|
监控 Python
探索Python中的装饰器:从入门到实践
【10月更文挑战第31天】在Python的世界里,装饰器是那些隐藏在幕后的魔法师,它们拥有着改变函数行为的能力。本文将带你走进装饰器的世界,从基础概念到实际应用,一步步揭开它的神秘面纱。你将学会如何用几行代码增强你的函数功能,以及如何避免常见的陷阱。让我们一起来发现装饰器的魔力吧!
|
3天前
|
开发框架 开发者 Python
探索Python中的装饰器:技术感悟与实践
【10月更文挑战第31天】 在编程世界中,装饰器是Python中一种强大的工具,它允许我们在不修改函数代码的情况下增强函数的功能。本文将通过浅显易懂的方式,带你了解装饰器的概念、实现原理及其在实际开发中的应用。我们将一起探索如何利用装饰器简化代码、提高可读性和复用性,同时也会分享一些个人的技术感悟,帮助你更好地掌握这项技术。
16 2
|
4天前
|
测试技术 数据安全/隐私保护 Python
探索Python中的装饰器:从基础到进阶
【10月更文挑战第30天】装饰器在Python中扮演着魔法般的角色,它们允许我们在不修改原始函数代码的情况下增加额外的功能。本文将通过简明的语言和直观的比喻,带你从零开始理解装饰器的概念、应用及其背后的原理。你将学会如何一步步构建自己的装饰器,并在代码示例的辅助下,解锁装饰器的更多可能。
|
6天前
|
缓存 测试技术 数据安全/隐私保护
探索Python中的装饰器:简化代码,增强功能
【10月更文挑战第29天】本文通过深入浅出的方式,探讨了Python装饰器的概念、使用场景和实现方法。文章不仅介绍了装饰器的基本知识,还通过实例展示了如何利用装饰器优化代码结构,提高代码的可读性和重用性。适合初学者和有一定经验的开发者阅读,旨在帮助读者更好地理解和应用装饰器,提升编程效率。
|
6天前
|
测试技术 Python
深入浅出Python装饰器
【10月更文挑战第28天】本文将通过一个生动的比喻,带你走进Python装饰器的世界。就像给蛋糕加上精美的糖衣,让味道和外观更加诱人,Python装饰器同样为我们的代码增添魔力。我们将从基础概念出发,一步步深入到装饰器的实际应用,最后探讨如何避免常见的陷阱。准备好了吗?让我们一起揭开Python装饰器的神秘面纱!
10 3
|
13天前
|
开发者 Python
探索Python中的装饰器:简化代码,增强功能
【10月更文挑战第22天】在Python的世界里,装饰器是一个强大的工具,它能够让我们以简洁的方式修改函数的行为,增加额外的功能而不需要重写原有代码。本文将带你了解装饰器的基本概念,并通过实例展示如何一步步构建自己的装饰器,从而让你的代码更加高效、易于维护。

热门文章

最新文章