知識星球（點選上方快速關註並設定為星標，一起學Python）
來源： python寶典 連結：
https://mp.weixin.qq.com/s/Vm0BKSljCzMMgRmIBbpxdQ
python一直被病垢執行速度太慢，但是實際上python的執行效率並不慢，慢的是python用的直譯器Cpython執行效率太差。
“一行程式碼讓python的執行速度提高100倍”這絕不是嘩眾取寵的論調。
我們來看一下這個最簡單的例子，從1一直累加到1億。
最原始的程式碼：
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))
結果：
Time used: 6.779874801635742 sec
4999999950000000
我們來加一行程式碼，再看看結果：
from numba import jit
import time
@jit
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))
結果：
Time used: 0.04680037498474121 sec
4999999950000000
是不是快了100多倍呢？
那麼下麵就分享一下“為啥numba庫的jit模組那麼牛掰？”
NumPy的創始人Travis Oliphant在離開Enthought之後，建立了CONTINUUM，致力於將Python大資料處理方面的應用。最近推出的Numba專案能夠將處理NumPy陣列的Python函式JIT編譯為機器碼執行，從而上百倍的提高程式的運算速度。
Numba專案的主頁上有Linux下的詳細安裝步驟。編譯LLVM需要花一些時間。
Windows使用者可以從Unofficial Windows Binaries for Python Extension Packages下載安裝LLVMPy、meta和numba等幾個擴充套件庫。
下麵我們看一個例子：
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中提供了一些修飾器，它們可以將其修飾的函式JIT編譯成機器碼函式，並傳回一個可在Python中呼叫機器碼的包裝物件。為了能將Python函式編譯成能高速執行的機器碼，我們需要告訴JIT編譯器函式的各個引數和傳回值的型別。我們可以透過多種方式指定型別資訊，在上面的例子中，型別資訊由一個字串’f8(f8[:])’指定。其中’f8’表示8個位元組雙精度浮點數，括號前面的’f8’表示傳回值型別，括號裡的表示引數型別，’[:]’表示一維陣列。因此整個型別字串表示sum1d()是一個引數為雙精度浮點數的一維陣列，傳回值是一個雙精度浮點數。
需要註意的是，JIT所產生的函式只能對指定的型別的引數進行運算：
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能針對所有型別的引數進行運算，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雖然可以根據引數型別動態地產生機器碼函式，但是由於它需要每次檢查引數型別，因此計算速度也有所降低。numba的用法很簡單，基本上就是用jit和autojit這兩個修飾器，和一些型別物件。下麵的程式列出numba所支援的所有型別：
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的透過meta模組解析Python函式的ast語法樹，對各個變數新增相應的型別資訊。然後呼叫llvmpy生成機器碼，最後再生成機器碼的Python呼叫介面。
meta模組
透過研究numba的工作原理，我們可以找到許多有用的工具。例如meta模組可在程式原始碼、ast語法樹以及Python二進位制碼之間進行相互轉換。下麵看一個例子：
def add2(a, b):
return a + b
decompile_func能將函式的程式碼物件反編譯成ast語法樹，而str_ast能直觀地顯示ast語法樹，使用這兩個工具學習Python的ast語法樹是很有幫助的。
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可以將ast語法樹轉換為Python原始碼：
from meta.asttools import python_source
python_source(decompile_func(add2))
def add2(a, b):
return (a + b)
decompile_pyc將上述二者結合起來，它能將Python編譯之後的pyc或者pyo檔案反編譯成原始碼。下麵我們先寫一個tmp.py檔案，然後透過py_compile將其編譯成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")
下麵呼叫decompile_pyc將tmp.pyc顯示為原始碼：
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模組
LLVM是一個動態編譯器，llvmpy則可以透過Python呼叫LLVM動態地建立機器碼。直接透過llvmpy建立機器碼是比較繁瑣的，例如下麵的程式建立一個計算兩個整數之和的函式，並呼叫它計算結果。
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 let's compile and run!
retval = ee.run_function(f_add, [arg1, arg2])
# The return value is also GenericValue. Let's print it.
print "returned", retval.as_int()
returned 142
f_add就是一個動態生成的機器碼函式，我們可以把它想象成C語言編譯之後的函式。在上面的程式中，我們透過ee.run_function呼叫此函式，而實際上我們還可以獲得它的地址，然後透過Python的ctypes模組呼叫它。
首先透過ee.get_pointer_to_function獲得f_add函式的地址：
addr = ee.get_pointer_to_function(f_add)
addr
2975997968L
然後透過ctypes.PYFUNCTYPE建立一個函式型別：
import ctypes
f_type = ctypes.PYFUNCTYPE(ctypes.c_int, ctypes.c_int, ctypes.c_int)
最後透過f_type將函式的地址轉換為可呼叫的Python函式，並呼叫它：
f = f_type(addr)
f(100, 42)
142
numba所完成的工作就是：
解析Python函式的ast語法樹並加以改造，新增型別資訊；
將帶型別資訊的ast語法樹透過llvmpy動態地轉換為機器碼函式，然後再透過和ctypes類似的技術為機器碼函式建立包裝函式供Python呼叫。
