怎么讓Python運行速度提高100倍

這篇文章主要介紹“怎么讓Python運行速度提高100倍”，在日常操作中，相信很多人在怎么讓Python運行速度提高100倍問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”怎么讓Python運行速度提高100倍”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

我們來看一下這個最簡單的例子，從1一直累加到1億。

最原始的代碼：

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

我們來加一行代碼，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?

那么下面就分享一下“為啥numba庫的jit模塊那么牛掰?”

NumPy的創始人Travis  Oliphant在離開Enthought之后，創建了CONTINUUM，致力于將Python大數據處理方面的應用。最近推出的Numba項目能夠將處理NumPy數組的Python函數JIT編譯為機器碼執行，從而上百倍的提高程序的運算速度。

Numba項目的主頁上有Linux下的詳細安裝步驟。編譯LLVM需要花一些時間。

Windows用戶可以從Unofficial Windows Binaries for Python Extension  Packages下載安裝LLVMPy、meta和numba等幾個擴展庫。

下面我們看一個例子：

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數JIT編譯成機器碼函數，并返回一個可在Python中調用機器碼的包裝對象。為了能將Python函數編譯成能高速執行的機器碼，我們需要告訴JIT編譯器函數的各個參數和返回值的類型。我們可以通過多種方式指定類型信息，在上面的例子中，類型信息由一個字符串’f8(f8[:])’指定。其中’f8’表示8個字節雙精度浮點數，括號前面的’f8’表示返回值類型，括號里的表示參數類型，’[:]’表示一維數組。因此整個類型字符串表示sum1d()是一個參數為雙精度浮點數的一維數組，返回值是一個雙精度浮點數。

需要注意的是，JIT所產生的函數只能對指定的類型的參數進行運算：

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能針對所有類型的參數進行運算，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雖然可以根據參數類型動態地產生機器碼函數，但是由于它需要每次檢查參數類型，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，和一些類型對象。下面的程序列出numba所支持的所有類型：

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的通過meta模塊解析Python函數的ast語法樹，對各個變量添加相應的類型信息。然后調用llvmpy生成機器碼，***再生成機器碼的Python調用接口。

meta模塊

通過研究numba的工作原理，我們可以找到許多有用的工具。例如meta模塊可在程序源碼、ast語法樹以及Python二進制碼之間進行相互轉換。下面看一個例子：

def add2(a, b):  return a + b

decompile_func能將函數的代碼對象反編譯成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源代碼：

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編譯之后的pyc或者pyo文件反編譯成源代碼。下面我們先寫一個tmp.py文件，然后通過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")

下面調用decompile_pyc將tmp.pyc顯示為源代碼：

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模塊

LLVM是一個動態編譯器，llvmpy則可以通過Python調用LLVM動態地創建機器碼。直接通過llvmpy創建機器碼是比較繁瑣的，例如下面的程序創建一個計算兩個整數之和的函數，并調用它計算結果。

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數，我們可以把它想象成C語言編譯之后的函數。在上面的程序中，我們通過ee.run_function調用此函數，而實際上我們還可以獲得它的地址，然后通過Python的ctypes模塊調用它。

首先通過ee.get_pointer_to_function獲得f_add函數的地址：

addr = ee.get_pointer_to_function(f_add) addr 2975997968L

然后通過ctypes.PYFUNCTYPE創建一個函數類型：

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

***通過f_type將函數的地址轉換為可調用的Python函數，并調用它：

f = f_type(addr) f(100, 42) 142

numba所完成的工作就是：

解析Python函數的ast語法樹并加以改造，添加類型信息;

將帶類型信息的ast語法樹通過llvmpy動態地轉換為機器碼函數，然后再通過和ctypes類似的技術為機器碼函數創建包裝函數供Python調用。

到此，關于“怎么讓Python運行速度提高100倍”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！