numba.jit（nopython）能处理数组索引和切片吗？

我正在尝试使用numba.jit加速一个简单的Python循环。但jit似乎无法处理基本的数组索引和切片？我能做些什么使这成为可能吗？我不明白如果jit不能处理基本的numpy数组，它怎么会有用

我正在强制nopython模式。它在对象模式下工作，但这根本不会加快代码的速度，所以我需要的是nopython模式

下面的代码只是一个说明问题的示例。我的实际代码也有同样的问题，但有更多的循环和迭代，因此jit非常有用

import numpy as np
from numba import jit

n = 100
myarray = np.zeros(n)

@jit(nopython=True)
def compute(n):
    for i in xrange(n):
        myarray[i] += 1  # This indexing causes the error.

compute(n)

"""Sample run:
> python jit_test.py
> ...
> Failed at nopython (nopython frontend)
> Internal error at <numba.typeinfer.SetItemConstrain object at 0x7f700c89a7d0>:
> Immutable array
> File "jit_test.py", line 10
"""

---

在numba中，全局数组是静态的。在方法中获得只读副本。见：

如果要修改数组，请显式传入或在函数中创建它（在执行数组内存管理的较新版本的Numba中）并返回它

例如：

import numpy as np
import numba as nb

def compute(arr):
    for i in xrange(arr.shape[0]):
        arr[i] += 1

n = 100
myarray = np.zeros(n)

jitcompute = nb.jit(nopython=True)(compute)

然后是时间安排：

In [12]: %timeit compute(myarray)
10000 loops, best of 3: 25.7 µs per loop

In [13]: %timeit jitcompute(myarray)
The slowest run took 17.06 times longer than the fastest. This could mean that an intermediate result is being cached
1000000 loops, best of 3: 461 ns per loop

请注意：

• 这显然是一个微不足道的例子，但它展示了如何在方法之外定义一个数组，然后让函数修改它
• 我没有在这里使用

  @jit

  装饰器，这样我就可以编写一次方法定义，并对方法进行计时，有没有使用jit，但是

  jitcompute

  相当于在

  compute

  上使用装饰器所得到的结果
• 如果您曾经对代码进行基准测试，请确保在计时之前运行该方法一次，否则您将看到jit代码所需的时间和实际执行时间的组合。第二次运行时，只能看到执行时间

---

我明白了。索引现在可以工作了。但是，arr[：]+=1不起作用。arr[：]=1可以工作。arr[：]=arr[：]+1不工作。arr=arr+1起作用。我也许可以通过反复试验来克服这些限制，但我不明白这里的规则是什么？此外，类似于arr+arr的东西确实起作用，但是arr[0:5]+arr[0:5]不起作用，即使arr2=arr[0:5]起作用。不必执行jit ed函数之外的每一个片段就可以实现这一点吗？此外，numba声称支持布尔值，但它不像Python那样对待0和1？F.ex.：y=np.ones（3）；返回np.sum（y==y）。在python中，3个True的总和为3。但是在jit-ed函数中，它只返回“True”，这一点都没有帮助。我是否必须将jit ed函数更像C代码而不是python？

import numpy as np
import numba as nb

def compute(arr):
    for i in xrange(arr.shape[0]):
        arr[i] += 1

n = 100
myarray = np.zeros(n)

jitcompute = nb.jit(nopython=True)(compute)

In [12]: %timeit compute(myarray)
10000 loops, best of 3: 25.7 µs per loop

In [13]: %timeit jitcompute(myarray)
The slowest run took 17.06 times longer than the fastest. This could mean that an intermediate result is being cached
1000000 loops, best of 3: 461 ns per loop