类型和签名
基本原理
作为一种优化编译器，Numba 需要确定每个变量的类型以生成高效的机器代码。Python 的标准类型不够精确，因此我们不得不开发自己的细粒度类型系统。
你主要会在检查 Numba 类型推断结果时遇到 Numba 类型，这通常是为了调试或教育目的。但是，如果预先编译代码，则需要明确使用类型。
签名
签名指定了函数的类型。允许哪种签名类型取决于上下文（AOT 或 JIT 编译），但签名总是包含 Numba 类型的一些表示形式，以指定函数参数的具体类型以及（如果需要）函数的返回类型。
一个函数签名的例子是字符串 "f8(i4, i4)"（或等效的 "float64(int32, int32)"），它指定了一个接受两个 32 位整数并返回一个双精度浮点数的函数。
基本类型
最基本的类型可以通过简单的表达式来表示。下面的符号指的是主 numba 模块的属性（所以如果你看到“boolean”，这意味着该符号可以作为 numba.boolean 访问）。许多类型都以规范名称和简写别名两种形式提供，遵循 NumPy 的约定。
数字
下表包含 Numba 当前定义的基本数值类型及其别名。
类型名称 |
缩写 |
注释 |
|---|---|---|
boolean |
b1 |
表示为字节 |
uint8, byte |
u1 |
8 位无符号字节 |
uint16 |
u2 |
16 位无符号整数 |
uint32 |
u4 |
32 位无符号整数 |
uint64 |
u8 |
64 位无符号整数 |
int8, char |
i1 |
8 位有符号字节 |
int16 |
i2 |
16 位有符号整数 |
int32 |
i4 |
32 位有符号整数 |
int64 |
i8 |
64 位有符号整数 |
intc |
– |
C int 大小整数 |
uintc |
– |
C int 大小无符号整数 |
intp |
– |
指针大小整数 |
uintp |
– |
指针大小无符号整数 |
ssize_t |
– |
C ssize_t |
size_t |
– |
C size_t |
float32 |
f4 |
单精度浮点数 |
float64, double |
f8 |
双精度浮点数 |
complex64 |
c8 |
单精度复数 |
complex128 |
c16 |
双精度复数 |
数组
声明 Array 类型的一种简单方法是根据维度数量对基本类型进行下标。例如一个一维单精度数组
>>> numba.float32[:]
array(float32, 1d, A)
或一个具有相同基础类型的三维数组
>>> numba.float32[:, :, :]
array(float32, 3d, A)
这种语法定义了没有特定布局的数组类型（生成的代码既接受非连续数组也接受连续数组），但你可以通过在索引规范的开头或结尾使用 ::1 索引来指定特定的连续性
>>> numba.float32[::1]
array(float32, 1d, C)
>>> numba.float32[:, :, ::1]
array(float32, 3d, C)
>>> numba.float32[::1, :, :]
array(float32, 3d, F)
这种类型声明风格在 Numba 编译函数中受支持，例如声明 typed.List 的类型。
from numba import njit, types, typed
@njit
def example():
return typed.List.empty_list(types.float64[:, ::1])
请注意，此功能仅支持简单的数值类型。不支持应用于复合类型，例如记录类型。
函数
警告
将函数视为头等类型对象的功能正在开发中。
函数通常被认为是输入参数到输出值的某种转换。在 Numba JIT 编译函数中，函数也可以被视为对象，也就是说，除了可调用之外，函数还可以作为参数传递或作为返回值，或者在序列中用作项。
除了以下情况，所有 Numba JIT 编译函数和 Numba cfunc 编译函数都支持头等函数：
使用非 CPU 编译器时，
编译函数是 Python 生成器时，
编译函数具有省略参数时，
或编译函数返回可选值时。
要禁用头等函数支持，请使用 no_cfunc_wrapper=True 装饰器选项。
例如，考虑一个 Numba JIT 编译函数将用户指定的函数作为组合应用于输入参数的示例
>>> @numba.njit
... def composition(funcs, x):
... r = x
... for f in funcs[::-1]:
... r = f(r)
... return r
...
>>> @numba.cfunc("double(double)")
... def a(x):
... return x + 1.0
...
>>> @numba.njit
... def b(x):
... return x * x
...
>>> composition((a, b), 0.5), 0.5 ** 2 + 1
(1.25, 1.25)
>>> composition((b, a, b, b, a), 0.5), b(a(b(b(a(0.5)))))
(36.75390625, 36.75390625)
在这里，cfunc 编译函数 a 和 b 被视为头等函数对象，因为它们作为参数传递给 Numba JIT 编译函数 composition，也就是说，composition 是独立于其参数函数对象（这些对象收集在输入参数 funcs 中）进行 JIT 编译的。
目前，头等函数对象可以是 Numba cfunc 编译函数、JIT 编译函数以及实现包装器地址协议（WAP，参见下文）的对象，但有以下限制：
上下文 |
JIT 编译 |
cfunc 编译 |
WAP 对象 |
|---|---|---|---|
可用作参数 |
是 |
是 |
是 |
可调用 |
是 |
是 |
是 |
可用作项 |
是* |
是 |
是 |
可返回 |
是 |
是 |
是 |
命名空间作用域 |
是 |
是 |
是 |
自动重载 |
是 |
否 |
否 |
* 头等函数对象序列中的至少一个项必须具有精确的类型。
包装器地址协议 - WAP
包装器地址协议提供了一个 API，用于将任何 Python 对象转换为 Numba JIT 编译函数的头等函数。这假设 Python 对象表示一个编译函数，可以从 Numba JIT 编译函数通过其内存地址（函数指针值）调用。所谓的 WAP 对象必须定义以下两种方法：
此外，WAP 对象可以实现 __call__ 方法。这在从 Numba JIT 编译函数以对象模式调用 WAP 对象时是必需的。
举例来说，让我们在 Numba JIT 编译函数中调用标准数学库函数 cos。加载数学库并使用 ctypes 包后，可以建立 cos 的内存地址
>>> import numba, ctypes, ctypes.util, math
>>> libm = ctypes.cdll.LoadLibrary(ctypes.util.find_library('m'))
>>> class LibMCos(numba.types.WrapperAddressProtocol):
... def __wrapper_address__(self):
... return ctypes.cast(libm.cos, ctypes.c_voidp).value
... def signature(self):
... return numba.float64(numba.float64)
...
>>> @numba.njit
... def foo(f, x):
... return f(x)
...
>>> foo(LibMCos(), 0.0)
1.0
>>> foo(LibMCos(), 0.5), math.cos(0.5)
(0.8775825618903728, 0.8775825618903728)
高级类型
对于更高级的声明，你必须显式调用 Numba 提供的辅助函数或类。
警告
此处文档化的 API 不保证稳定。除非必要，建议使用 无签名版本的 @jit 让 Numba 推断参数类型。
推断
- numba.typeof(value)
创建准确描述给定 Python value 的 Numba 类型。如果该值在 nopython 模式中不受支持，则会引发
ValueError。>>> numba.typeof(np.empty(3)) array(float64, 1d, C) >>> numba.typeof((1, 2.0)) (int64, float64) >>> numba.typeof([0]) reflected list(int64)
NumPy 标量
除了使用 typeof()，非平凡标量（如结构化类型）也可以通过编程方式构建。
- numba.from_dtype(dtype)
创建与给定 NumPy dtype 对应的 Numba 类型
>>> struct_dtype = np.dtype([('row', np.float64), ('col', np.float64)]) >>> ty = numba.from_dtype(struct_dtype) >>> ty Record([('row', '<f8'), ('col', '<f8')]) >>> ty[:, :] unaligned array(Record([('row', '<f8'), ('col', '<f8')]), 2d, A)
- class numba.types.NPDatetime(unit)
为给定 unit 的 NumPy datetime 创建 Numba 类型。unit 应该是 NumPy 识别的代码（例如
Y,M,D等）中的字符串。
- class numba.types.NPTimedelta(unit)
为给定 unit 的 NumPy timedelta 创建 Numba 类型。unit 应该是 NumPy 识别的代码（例如
Y,M,D等）中的字符串。另请参阅
NumPy datetime 单位。
数组
- class numba.types.Array(dtype, ndim, layout)
创建一个数组类型。dtype 应该是一个 Numba 类型。ndim 是数组的维度数（一个正整数）。layout 是一个字符串，表示数组的布局：
A表示任意布局，C表示 C 连续，F表示 Fortran 连续。
可选类型
- class numba.optional(typ)
基于底层 Numba 类型 typ 创建一个可选类型。该可选类型将允许 typ 或
None的任何值。>>> @jit((optional(intp),)) ... def f(x): ... return x is not None ... >>> f(0) True >>> f(None) False
类型注解
- numba.extending.as_numba_type(py_type)
创建与给定 Python 类型注解 对应的 Numba 类型。如果类型注解无法映射到 Numba 类型，则会引发
TypingError。此函数旨在用于静态编译时评估 Python 类型注解。有关 Python 对象的运行时检查，请参见上文的typeof。对于任何 numba 类型，
as_numba_type(nb_type) == nb_type。>>> numba.extending.as_numba_type(int) int64 >>> import typing # the Python library, not the Numba one >>> numba.extending.as_numba_type(typing.List[float]) ListType[float64] >>> numba.extending.as_numba_type(numba.int32) int32
as_numba_type会自动更新以包含任何@jitclass。>>> @jitclass ... class Counter: ... x: int ... ... def __init__(self): ... self.x = 0 ... ... def inc(self): ... old_val = self.x ... self.x += 1 ... return old_val ... >>> numba.extending.as_numba_type(Counter) instance.jitclass.Counter#11bad4278<x:int64>
目前
as_numba_type仅用于推断@jitclass的字段。