Python 3.x 是否有正确的实现？

不确定这里发生了什么，或者我是否正确使用了Numba，但是这里的速度没有达到预期的速度；请让我知道我错过了什么，让numba以应有的方式工作

输出显示运行文件（“######”）：Numba->0.146546635999977472:Python->0.000471172998982346594

导入时间信息 从numpy导入日志，exp 从numba导入jit

@jit(nopython=True)
def Func():
    n=100
    b=[]
    for i  in range(0,n):
        b.append(log((i/2+52)**2)*exp(.05*10))
   
    
    return(i)

print(timeit.timeit(Func,number=100))



def Func2():
    n=100
    c=[]
    for j  in range(0,n):
        c.append(log((j/2+52)**2)*exp(.05*10))
   
    
    return(j)

print(timeit.timeit(Func,number=100))

---

速度差异的两个原因： （1） Numba必须在运行代码之前编译代码。尝试在计时器之外调用函数一次（强制编译），然后进行计时

（2） 你只做了100次迭代，这对一台计算机来说算不了什么。来自操作系统活动、计时器粒度等的噪音将使如此小的样本上的速度差变得微不足道。尝试进行10000次或更多的迭代（在解决编译问题之后）

编辑-如果OP将循环次数增加到1mm（参见下面的注释），那么代码几乎所有的时间都在调整数组大小，而不是进行任何计算

嵌入的数学函数（如exp和log）已经编译好了，numba没有什么可以使用的。Numba编译只能加速尚未编译的计算和循环。如前所述，循环不能被解开或并行执行，因为append（）创建了一个串行依赖项

---

如果OP希望看到numba和普通python之间的差异，他应该寻找包含大量手动计算（而不是嵌入数学函数）的代码示例。计算mandlebrot集就是一个例子；numba进行这些计算的速度比单机版python快很多倍。

（1）编译并运行了多次代码以生成上述数字。我意识到在测量之前需要运行一次。（2）将N增加到一百万；同样的故事。你发布的不是原因，一定是其他原因。非常想知道它是什么？旁注：您不需要重新定义

Func2

：您可以使用

Func.py\u Func

访问未编译的python函数。