开箱即用的Numba使用以下方法：
- 操作系统：Windows（32位和64位），OSX和Linux（32位和64位）
- 架构：x86，x86_64，ppc64le。 在armv7l，armv8l（aarch64）上进行实验。
- GPU：Nvidia CUDA。 AMD ROC的实验。
- cpython的
- NumPy 1.10 - 最新
1.1.1。 我怎么得到它？
Numba可作为 畅达 包为 蟒蛇Python发布 ：
$ conda install numba
Numba还有pip可供选择：
$ pip install numba
Numba也可以 从源代码编译 ，虽然我们不建议首次使用Numba用户。
Numba通常用作核心包，因此其依赖性保持在绝对最小值，但是，可以按如下方式安装额外的包以提供其他功能：
进群：548377875 即可获取小编精心整理的全套资料哦！还有大量的Pdf呢！
Numba在代码看起来像这样：
from numba import jit import numpy as np x = np.arange(100).reshape(10,10) @jit(nopython=True) # Set "nopython" mode for best performance def go_fast(a): # Function is compiled to machine code when called the first time trace = 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))
对于看起来像这样的代码，如果有的话，它将无法正常工作：
from numba import jit
import pandas as pd
x = {'a': [1,2,3],'b': [20,30,40]}
@jit
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只是通过解释器运行此代码，但增加了Numba内部开销的成本！
1.1.3。 什么是 nopython 模式？
Numba @jit 装饰器从根本上以两种编译模式运行， nopython 模式和 object 模式。 在 go_fast 上面 的 例子中， nopython=True 在 @jit 装饰器中 设置 ，这是指示Numba在 nopython 模式下 操作 。 nopython 编译模式 的行为 本质上是编译装饰函数，以便它完全运行而不需要Python解释器的参与。 这是使用Numba jit 装饰器 的推荐和最佳实践方式， 因为它可以带来最佳性能。
如果编译 nopython 模式失败，Numba可以编译使用 ， 如果 没有设置 ，这是 装饰器的 后退模式 （如上 例所示）。 在这种模式下，Numba将识别它可以编译的循环并将它们编译成在机器代码中运行的函数，并且它将运行解释器中的其余代码。 为获得最佳性能，请避免使用此模式 objectmode @jit nopython=True use_pandas
1.1.4。 如何衡量Numba的表现？
首先，回想一下，Numba必须为执行函数的机器代码版本之前给出的参数类型编译函数，这需要时间。 但是，一旦编译完成，Numba会为所呈现的特定类型的参数缓存函数的机器代码版本。 如果再次使用相同的类型调用它，它可以重用缓存的版本而不必再次编译。
测量性能时，一个非常常见的错误是不考虑上述行为，并使用一个简单的计时器来计算一次，该计时器包括在执行时编译函数所花费的时间。
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 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.time() go_fast(x) end = time.time() print("Elapsed (with compilation) = %s" % (end - start)) # Now THE FUNCTION IS COMPILED,RE-TIME IT EXECUTING FROM CACHE start = time.time() go_fast(x) end = time.time() print("Elapsed (after compilation) = %s" % (end - start))
这，例如打印：
Elapsed (with compilation) = 0.33030009269714355 Elapsed (after compilation) = 6.67572021484375e-06
衡量Numba JIT对您的代码的影响的一个好方法是使用 timeit 模块函数 来执行时间 ，这些函数测量多次执行迭代，因此可以在第一次执行时适应编译时间。
作为旁注，如果编译时间成为问题，Numba JIT支持 编译函数 的磁盘缓存 ，并且还具有 Ahead-Of-Time 编译模式。
1.1.5。 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。 加速因应用而异，但可以是一到两个数量级。 Numba有一个 性能指南 ，涵盖了获得额外性能的常用选项。
1.1.6。 Numba如何运作？
Numba读取装饰函数的Python字节码，并将其与有关函数输入参数类型的信息相结合。 它分析并优化您的代码，最后使用LLVM编译器库生成函数的机器代码版本，根据您的cpu功能量身定制。 每次调用函数时都会使用此编译版本。
1.1.7。 其他感兴趣的东西：
Numba有相当多的装饰，我们看到 @jit 和 @njit ，但也有：
- @vectorize - 生成NumPy ufunc （ ufunc 支持 所有 方法）。 文件在这里 。
- @guvectorize - 产生NumPy广义 ufunc s。 文件在这里 。
- @stencil - 将函数声明为类似模板操作的内核。 文件在这里 。
- @jitclass - 对于jit感知类。 文件在这里 。
- @cfunc - 声明一个函数用作本机回调（从C / C ++等调用）。 文件在这里 。
- @overload - 注册您自己的函数实现，以便在nopython模式下使用，例如 @overload(scipy.special.j0) 。 文件在这里 。
一些装饰者提供额外选项：
ctypes / cffi / cython互操作性：
1.1.7.1。 GPU目标：
Numba可以针对 Nvidia CUDA 和（实验性） AMD ROC GPU。 您可以使用纯Python编写内核，让Numba处理计算和数据移动（或明确地执行此操作）。 单击关于 CUDA 或 ROC的 Numba文档 。
示例：接下来我们写一段简单的代码，来计算一下执行时间：
示例1：不使用numba的:
import time
def num():
arr = []
for i in range(10000000):
arr.append(i)
stime = time.time()
num()
etime = time.time() - stime
# print(arr)
print('用时:{}秒'.format(etime))
示例输出时间:
用时:1.4500024318695068秒
示例2：使用numba @jit
import time
from numba import jit
@jit
def num():
arr = []
for i in range(10000000):
arr.append(i)
stime = time.time()
num()
etime = time.time() - stime
# print(arr)
print('用时:{}秒'.format(etime))
示例输出:
用时:0.5530002117156982秒
结论：
上述两个示例代码，一个使用了numba，另一个没有使用numba；可以看出使用numba @jit装饰后，时间明显快了很多倍。
这只是一个简单示例；对于复杂计算提高速度更明显。
