Python 有减速代码吗？

使用

numba

今天我发现有人在写一篇文章，他想加速他的代码。所以我想让我们来看看使用

numba

可以实现什么

代码如下：

from numba import autojit
from time import time

LIMIT = pow(10,6)

def primes(limit):
    # Keep only odd numbers in sieve, mapping from index to number is
    # num = 2 * idx + 3
    # The square of the number corresponding to idx then corresponds to:
    # idx2 = 2*idx*idx + 6*idx + 3
    sieve = [True] * (limit // 2)
    prime_numbers = set([2])
    for j in range(len(sieve)):
        if sieve[j]:
            new_prime = 2*j + 3
            prime_numbers.add(new_prime)
            for k in range((2*j+6)*j+3, len(sieve), new_prime):
                sieve[k] = False
    return list(prime_numbers)


numba_primes = autojit(primes)



start = time()
numba_primes(LIMIT)
end=time()
print("Numba: Time Taken : ",end-start)

start = time()
primes(LIMIT)
end=time()
print("Python: Time Taken : ",end-start)

结果是：

('Numba: Time Taken : ', 0.68790602684021)
('Python: Time Taken : ', 0.12417221069335938)

---

为什么会这样？似乎有了

numba

这段代码并没有变得更快

这是您的代码的一个numba-ized版本（使用numba 0.13），它通过使用numpy数组进行了优化

import numpy as np
import numba

# You could also just use @numba.jit or @numba.jit(nopython=True)
# here and get comparable timings.
@numba.jit('void(uint8[:])', nopython=True)
def primes_util(sieve):
    ssz = sieve.shape[0]
    for j in xrange(ssz):
        if sieve[j]:
            new_prime = 2*j + 3
            for k in xrange((2*j+6)*j+3, ssz, new_prime):
                sieve[k] = False

def primes_numba(limit):
    sieve = np.ones(limit // 2, dtype=np.uint8)
    primes_util(sieve)

    return [2] + (np.nonzero(sieve)[0]*2 + 3).tolist()

然后与计时进行比较：

In [112]: %timeit primes(LIMIT)
1 loops, best of 3: 221 ms per loop

In [113]: %timeit primes_numba(LIMIT)
100 loops, best of 3: 11 ms per loop

In [114]:

a = set(primes(LIMIT))
b = set(primes_numba(LIMIT))

a == b
Out[114]:

True

---

这是20倍的加速，尽管可能还有进一步的优化。如果没有jit装饰器，numba版本在我的机器上运行大约300毫秒。对

primes\u util

的实际调用只需要大约5毫秒，其余的调用是对

np.nonzero

的调用以及到列表的转换。

第一个问题-您使用的是哪个版本的Numba。在0.11和0.12之间进行了一次重大的重构，通过大量的性能/特性回归，事情的表现发生了巨大的变化。此外，Numba不会加速任意python代码。它在处理numpy阵列的循环中发挥了神奇的作用。您不会期望看到操纵python对象的性能有多高。注意，你的问题和杰克的问题在这方面完全不同，我用的是0.13。是的，你是对的。在使用数组时，numba似乎得到了最多的好处。在您的代码中，您希望编写没有x的np.nonzero（sieve）