Numba ~5分钟指南
Numba 是一个适用于 Python 的即时（JIT）编译器，最适合使用 NumPy 数组和函数以及循环的代码。使用 Numba 最常见的方法是应用其装饰器集合到您的函数上，以指示 Numba 编译它们。当调用 Numba 装饰的函数时，它会“即时”编译成机器码以供执行，随后您的代码的全部或部分可以以原生机器码的速度运行！
Numba 开箱即用，支持以下内容：
操作系统：Windows (64 位)、OSX、Linux (64 位)。非官方支持 *BSD。
架构：x86、x86_64、ppc64le、armv8l (aarch64)、M1/Arm64。
GPU：Nvidia CUDA。
CPython
NumPy 1.24 - 1.26
如何获取？
Numba 可作为 conda 包，用于 Anaconda Python 发行版
$ conda install numba
Numba 也有 wheel 包可用
$ pip install numba
Numba 也可以从源代码编译，但我们不建议初次使用 Numba 的用户这样做。
Numba 通常作为一个核心包使用，因此其依赖项被限制到最低限度，但是，可以安装额外的包以提供附加功能，如下所示：
scipy- 启用编译numpy.linalg函数的支持。colorama- 启用回溯/错误消息中的颜色高亮支持。pyyaml- 启用通过 YAML 配置文件配置 Numba。intel-cmplr-lib-rt- 允许使用 Intel SVML（高性能短向量数学库，仅限 x86_64）。安装说明请参见性能提示。
Numba 适用于我的代码吗？
这取决于您的代码是什么样子，如果您的代码是数值导向（进行了大量数学运算），大量使用 NumPy 和/或有大量循环，那么 Numba 通常是一个不错的选择。在这些示例中，我们将应用 Numba 最基本的 JIT 装饰器 @jit，尝试加速一些函数，以演示哪些效果好，哪些效果不好。
Numba 适用于以下类型的代码：
from numba import jit
import numpy as np
x = np.arange(100).reshape(10, 10)
@jit
def go_fast(a): # Function is compiled to machine code when called the first time
trace = 0.0
for i in range(a.shape[0]): # Numba likes loops
trace += np.tanh(a[i, i]) # Numba likes NumPy functions
return a + trace # Numba likes NumPy broadcasting
print(go_fast(x))
对于以下类型的代码，它不会很好地工作，甚至根本不起作用：
from numba import jit
import pandas as pd
x = {'a': [1, 2, 3], 'b': [20, 30, 40]}
@jit(forceobj=True, looplift=True) # Need to use object mode, try and compile loops!
def use_pandas(a): # Function will not benefit from Numba jit
df = pd.DataFrame.from_dict(a) # Numba doesn't know about pd.DataFrame
df += 1 # Numba doesn't understand what this is
return df.cov() # or this!
print(use_pandas(x))
请注意，Numba 不理解 Pandas，因此 Numba 只会通过解释器运行此代码，但会增加 Numba 内部开销！
什么是 object mode？
Numba 的 @jit 装饰器主要以两种编译模式运行：nopython 模式和 object 模式。在上面的 go_fast 示例中，@jit 装饰器默认以 nopython 模式运行。nopython 编译模式的行为是基本上将装饰函数编译为完全不依赖 Python 解释器运行。这是使用 Numba jit 装饰器的推荐和最佳实践方式，因为它能带来最佳性能。
如果 nopython 模式的编译失败，Numba 可以使用 object mode 进行编译。这可以通过在 @jit 装饰器中使用 forceobj=True 关键字参数来实现（如上面的 use_pandas 示例所示）。在此模式下，Numba 会假定所有内容都是 Python 对象并编译函数，本质上是在解释器中运行代码。指定 looplift=True 可能会比纯 object mode 获得一些性能提升，因为 Numba 会尝试将循环编译成机器码运行的函数，而代码的其余部分则在解释器中运行。为了获得最佳性能，一般情况下请避免使用 object mode 模式！
如何衡量 Numba 的性能？
首先，请记住 Numba 必须为给定的参数类型编译您的函数，然后才能执行您的函数的机器码版本。这需要时间。但是，一旦编译完成，Numba 会缓存您的函数特定参数类型的机器码版本。如果再次使用相同的类型调用，它可以重用缓存的版本，而无需再次编译。
衡量性能时一个非常常见的错误是，没有考虑到上述行为，并使用一个简单的计时器对代码进行一次计时，该计时器包含了函数编译所需的时间。
例如
from numba import jit
import numpy as np
import time
x = np.arange(100).reshape(10, 10)
@jit(nopython=True)
def go_fast(a): # Function is compiled and runs in machine code
trace = 0.0
for i in range(a.shape[0]):
trace += np.tanh(a[i, i])
return a + trace
# DO NOT REPORT THIS... COMPILATION TIME IS INCLUDED IN THE EXECUTION TIME!
start = time.perf_counter()
go_fast(x)
end = time.perf_counter()
print("Elapsed (with compilation) = {}s".format((end - start)))
# NOW THE FUNCTION IS COMPILED, RE-TIME IT EXECUTING FROM CACHE
start = time.perf_counter()
go_fast(x)
end = time.perf_counter()
print("Elapsed (after compilation) = {}s".format((end - start)))
例如，这会打印
Elapsed (with compilation) = 0.33030009269714355s
Elapsed (after compilation) = 6.67572021484375e-06s
衡量 Numba JIT 对代码影响的好方法是使用 timeit 模块函数进行计时；这些函数会测量多次执行迭代，因此可以适应首次执行中的编译时间。
另外，如果编译时间是一个问题，Numba JIT 支持已编译函数的磁盘缓存，并且还具有预先（Ahead-Of-Time）编译模式。
它有多快？
假设 Numba 可以在 nopython 模式下运行，或者至少编译一些循环，它将针对您的特定 CPU 进行编译。加速效果因应用而异，但可以达到一到两个数量级。Numba 有一个性能指南，涵盖了获得额外性能的常见选项。
Numba 如何工作？
Numba 读取装饰函数的 Python 字节码，并将其与函数输入参数的类型信息结合起来。它分析和优化您的代码，最后使用 LLVM 编译器库生成您的函数的机器码版本，该版本是根据您的 CPU 能力量身定制的。然后，每次调用您的函数时都会使用这个编译过的版本。
其他感兴趣的事项：
Numba 有相当多的装饰器，我们已经看到了 @jit，但还有：
@njit- 这是@jit(nopython=True)的别名，因为它太常用了！@vectorize- 生成 NumPyufunc（支持所有ufunc方法）。文档在此。@guvectorize- 生成 NumPy 广义ufunc。文档在此。@stencil- 声明一个函数作为类似模板操作的内核。文档在此。@jitclass- 用于支持 JIT 的类。文档在此。@cfunc- 声明一个函数用作原生回调（供 C/C++ 等调用）。文档在此。@overload- 注册您自己的函数实现在 nopython 模式下使用，例如@overload(scipy.special.j0)。文档在此。
某些装饰器中提供的额外选项
ctypes/cffi/cython 互操作性
GPU 目标：
Numba 可以针对 Nvidia CUDA GPU。您可以用纯 Python 编写内核，并让 Numba 处理计算和数据移动（或显式执行）。点击此处查看 Numba 关于 CUDA 的文档。