一行代码让你的Python运行速度提高100倍！Python真强！

Python用的行代行速好，猪也能飞起来。码让

今天，度提带大家学习如何让Python飞起来的高倍方法，干货满满哦!

python一直被病垢运行速度太慢，真强但是行代行速实际上python的执行效率并不慢，慢的码让是python用的解释器Cpython运行效率太差。

“一行代码让python的度提运行速度提高100倍”这绝不是哗众取宠的论调。

我们来看一下这个最简单的高倍例子，从1一直累加到1亿。真强

最原始的行代行速代码： 

import time def foo(x,y):  tt = time.time()  s = 0  for i in range(x,y):  s += i  print(Time used: {} sec.format(time.time()-tt))  return s print(foo(1,100000000)) 

结果： 

Time used: 6.779874801635742 sec 4999999950000000 

我们来加一行代码，再看看结果：

from numba import jit import time @jit def foo(x,码让y):  tt = time.time()  s = 0  for i in range(x,y):  s += i  print(Time used: {} sec.format(time.time()-tt))  return s print(foo(1,100000000)) 

结果： 

Time used: 0.04680037498474121 sec 4999999950000000 

是不是快了100多倍呢?

那么下面就分享一下“为啥numba库的jit模块那么牛掰?”

NumPy的创始人Travis Oliphant在离开Enthought之后，创建了CONTINUUM，度提致力于将Python大数据处理方面的高倍应用。最近推出的真强Numba项目能够将处理NumPy数组的Python函数JIT编译为机器码执行，亿华云计算从而上百倍的提高程序的运算速度。

Numba项目的主页上有Linux下的详细安装步骤。编译LLVM需要花一些时间。

Windows用户可以从Unofficial Windows Binaries for Python Extension Packages下载安装LLVMPy、meta和numba等几个扩展库。

下面我们看一个例子： 

import numba as nb from numba import jit @jit(f8(f8[:])) def sum1d(array):  s = 0.0  n = array.shape[0]  for i in range(n):  s += array[i]  return s import numpy as np array = np.random.random(10000) %timeit sum1d(array) %timeit np.sum(array) %timeit sum(array) 10000 loops, best of 3: 38.9 us per loop 10000 loops, best of 3: 32.3 us per loop 100 loops, best of 3: 12.4 ms per loop 

numba中提供了一些修饰器，它们可以将其修饰的函数JIT编译成机器码函数，并返回一个可在Python中调用机器码的包装对象。为了能将Python函数编译成能高速执行的机器码，我们需要告诉JIT编译器函数的各个参数和返回值的类型。我们可以通过多种方式指定类型信息，在上面的例子中，类型信息由一个字符串’f8(f8[:])’指定。其中’f8’表示8个字节双精度浮点数，括号前面的’f8’表示返回值类型，括号里的表示参数类型，’[:]’表示一维数组。因此整个类型字符串表示sum1d()是一个参数为双精度浮点数的一维数组，返回值是源码库一个双精度浮点数。

需要注意的是，JIT所产生的函数只能对指定的类型的参数进行运算： 

print sum1d(np.ones(10, dtype=np.int32)) print sum1d(np.ones(10, dtype=np.float32)) print sum1d(np.ones(10, dtype=np.float64)) 1.2095376009e-312 1.46201599944e+185 10.0 

如果希望JIT能针对所有类型的参数进行运算，可以使用autojit： 

from numba import autojit @autojit def sum1d2(array):  s = 0.0  n = array.shape[0]  for i in range(n):  s += array[i]  return s %timeit sum1d2(array) print sum1d2(np.ones(10, dtype=np.int32)) print sum1d2(np.ones(10, dtype=np.float32)) print sum1d2(np.ones(10, dtype=np.float64)) 10000 loops, best of 3: 143 us per loop 10.0 10.0 10.0 

autoit虽然可以根据参数类型动态地产生机器码函数，但是由于它需要每次检查参数类型，因此计算速度也有所降低。numba的用法很简单，基本上就是用jit和autojit这两个修饰器，和一些类型对象。下面的程序列出numba所支持的所有类型： 

print [obj for obj in nb.__dict__.values() if isinstance(obj, nb.minivect.minitypes.Type)] [size_t, Py_uintptr_t, uint16, complex128, float, complex256, void, int , long double, unsigned PY_LONG_LONG, uint32, complex256, complex64, object_, npy_intp, const char *, double, unsigned short, float, object_, float, uint64, uint32, uint8, complex128, uint16, int, int , uint8, complex64, int8, uint64, double, long double, int32, double, long double, char, long, unsigned char, PY_LONG_LONG, int64, int16, unsigned long, int8, int16, int32, unsigned int, short, int64, Py_ssize_t] 

工作原理

numba的通过meta模块解析Python函数的ast语法树，对各个变量添加相应的类型信息。然后调用llvmpy生成机器码，***再生成机器码的Python调用接口。

meta模块

通过研究numba的工作原理，我们可以找到许多有用的工具。例如meta模块可在程序源码、云服务器ast语法树以及Python二进制码之间进行相互转换。下面看一个例子： 

def add2(a, b):  return a + b 

decompile_func能将函数的代码对象反编译成ast语法树，而str_ast能直观地显示ast语法树，使用这两个工具学习Python的ast语法树是很有帮助的。 

from meta.decompiler import decompile_func from meta.asttools import str_ast print str_ast(decompile_func(add2)) FunctionDef(args=arguments(args=[Name(ctx=Param(),  id=a),  Name(ctx=Param(),  id=b)],  defaults=[],  kwarg=None,  vararg=None),  body=[Return(value=BinOp(left=Name(ctx=Load(),  id=a),  op=Add(),  right=Name(ctx=Load(),  id=b)))],  decorator_list=[],  name=add2) 

而python_source可以将ast语法树转换为Python源代码： 

from meta.asttools import python_source python_source(decompile_func(add2)) def add2(a, b):  return (a + b) 

decompile_pyc将上述二者结合起来，它能将Python编译之后的pyc或者pyo文件反编译成源代码。下面我们先写一个tmp.py文件，然后通过py_compile将其编译成tmp.pyc。 

with open("tmp.py", "w") as f:  f.write(""" def square_sum(n):  s = 0  for i in range(n):  s += i**2  return s """) import py_compile py_compile.compile("tmp.py") 

下面调用decompile_pyc将tmp.pyc显示为源代码： 

with open("tmp.pyc", "rb") as f:  decompile_pyc(f) def square_sum(n):  s = 0  for i in range(n):  s += (i ** 2)  return s 

llvmpy模块

LLVM是一个动态编译器，llvmpy则可以通过Python调用LLVM动态地创建机器码。直接通过llvmpy创建机器码是比较繁琐的，例如下面的程序创建一个计算两个整数之和的函数，并调用它计算结果。 

from llvm.core import Module, Type, Builder from llvm.ee import ExecutionEngine, GenericValue # Create a new module with a function implementing this: # # int add(int a, int b) { # return a + b; # } # my_module = Module.new(my_module) ty_int = Type.int() ty_func = Type.function(ty_int, [ty_int, ty_int]) f_add = my_module.add_function(ty_func, "add") f_add.args[0].name = "a" f_add.args[1].name = "b" bb = f_add.append_basic_block("entry") # IRBuilder for our basic block builder = Builder.new(bb) tmp = builder.add(f_add.args[0], f_add.args[1], "tmp") builder.ret(tmp) # Create an execution engine object. This will create a JIT compiler # on platforms that support it, or an interpreter otherwise ee = ExecutionEngine.new(my_module) # Each argument needs to be passed as a GenericValue object, which is a kind # of variant arg1 = GenericValue.int(ty_int, 100) arg2 = GenericValue.int(ty_int, 42) # Now lets compile and run! retval = ee.run_function(f_add, [arg1, arg2]) # The return value is also GenericValue. Lets print it. print "returned", retval.as_int() returned 142 

f_add就是一个动态生成的机器码函数，我们可以把它想象成C语言编译之后的函数。在上面的程序中，我们通过ee.run_function调用此函数，而实际上我们还可以获得它的地址，然后通过Python的ctypes模块调用它。

首先通过ee.get_pointer_to_function获得f_add函数的地址： 

addr = ee.get_pointer_to_function(f_add) addr 2975997968L 

然后通过ctypes.PYFUNCTYPE创建一个函数类型： 

import ctypes f_type = ctypes.PYFUNCTYPE(ctypes.c_int, ctypes.c_int, ctypes.c_int) 

***通过f_type将函数的地址转换为可调用的Python函数，并调用它： 

f = f_type(addr) f(100, 42) 142 

numba所完成的工作就是：

解析Python函数的ast语法树并加以改造，添加类型信息;

将带类型信息的ast语法树通过llvmpy动态地转换为机器码函数，然后再通过和ctypes类似的技术为机器码函数创建包装函数供Python调用。