Python可以比C++更快，你不信？

人人都可以簡單入門Python、爬蟲、數(shù)據(jù)分析
 簡說Python推薦 
來源：Python七號
作者：somenzz

大家好，我是老表，Python 是一個用途非常廣泛的編程語言，擁有成千上萬的第三方庫，在人工智能、機器學(xué)習(xí)、自動化等方面有著廣泛的應(yīng)用，眾所周知，Python 是動態(tài)語言，有全局解釋器鎖，比其他靜態(tài)語言要慢，也正是這個原因，你也許會轉(zhuǎn)向其他語言如 Java、C++，不過先等等，今天分享一個可以讓 Python 比 C++ 還要快的技術(shù)，看完再決定要不要轉(zhuǎn)吧。

今天的主角就是 Numba，Numba 是一個開源的即時編譯器（JIT compiler），可將 Python 和 NumPy 的代碼的轉(zhuǎn)換為快速的機器碼，從而提升運行速度。可以達到 C 或 FORTRAN 的速度。

這么牛逼是不是很難用呢？No,No,No,So easy，你不需要替換 Python 解釋器，不需要單獨編譯，甚至不需要安裝 C / C ++ 編譯器。只需將 Numba 提供的裝飾器放在 Python 函數(shù)上面就行，剩下的就交給 Numba 完成。舉個簡單的例子：

from numba import jit
import random

@jit(nopython=True)
def monte_carlo_pi(nsamples):
    acc = 0
    for i in range(nsamples):
        x = random.random()
        y = random.random()
        if (x ** 2 + y ** 2) < 1.0:
            acc += 1
    return 4.0 * acc / nsamples

Numba 是專為科學(xué)計算而設(shè)計的，在與 NumPy 一起使用時，Numba 會為不同的數(shù)組數(shù)據(jù)類型生成專門的代碼，以優(yōu)化性能：

@numba.jit(nopython=True, parallel=True)
def logistic_regression(Y, X, w, iterations):
    for i in range(iterations):
        w -= np.dot(((1.0 /
              (1.0 + np.exp(-Y * np.dot(X, w)))
              - 1.0) * Y), X)
    return w

現(xiàn)在我們來看看，同樣的代碼，使用 Numba 前后與 C++ 的性能對比。比如說我們要找出 1000 萬以內(nèi)所有的素數(shù)，代碼的算法邏輯是相同的：

Python 代碼：

import math
import time

def is_prime(num):
    if num == 2:
        return True
    if num <= 1 or not num % 2:
        return False
    for div in range(3, int(math.sqrt(num) + 1), 2):
        if not num % div:
            return False
    return True

def run_program(N):
    total = 0
    for i in range(N):
        if is_prime(i):
            total += 1
    return total


if __name__ == "__main__":
    N = 10000000
    start = time.time()
    total = run_program(N)
    end = time.time()
    print(f"total prime num is {total}")
    print(f"cost {end - start}s")

執(zhí)行耗時：

total prime num is 664579
cost 47.386465072631836s

C++ 代碼如下：

#include <iostream>
#include <cmath>
#include <time.h>
using namespace std;


bool isPrime(int num) {

    if (num == 2) return true;
    if (num <= 1 || num % 2 == 0) return false;
    double sqrt_num = sqrt(double(num));
    for (int div = 3; div <= sqrt_num; div +=2){
       if (num % div == 0) return false;
    }
     return true;
}

int run_program(int N){

    int total = 0;
    for (int i; i < N; i++) {
        if(isPrime(i)) total ++;
    }
    return total;
}

int main()
{
    int N = 10000000;
    clock_t start,end;
    start = clock();
    int total = run_program(N);
    end = clock();
    cout << "total prime num is " << total;
    cout << "\ncost " << (end - start) / ((double) CLOCKS_PER_SEC) << "s\n";
    return 0;
}

$ g++ isPrime.cpp -o isPrime
$ ./isPrime
total prime num is 664579
cost 2.36221s

C++ 確實牛逼，才 2.3 秒，不過好戲還在后頭，現(xiàn)在我們使用 Numba 來加速一下，操作很簡單，不需要改動原有的代碼，先導(dǎo)入 Numba 的 njit，再在函數(shù)上方放個裝飾器 @njit 即可，其他保持不變，代碼如下：

import math
import time
from numba import njit

# @njit 相當(dāng)于 @jit(nopython=True) 
@njit
def is_prime(num):
    if num == 2:
        return True
    if num <= 1 or not num % 2:
        return False
    for div in range(3, int(math.sqrt(num) + 1), 2):
        if not num % div:
            return False
    return True

@njit
def run_program(N):
    total = 0
    for i in range(N):
        if is_prime(i):
            total += 1
    return total


if __name__ == "__main__":
    N = 10000000
    start = time.time()
    total = run_program(N)
    end = time.time()
    print(f"total prime num is {total}")
    print(f"cost {end - start}s")

運行一下，可以看出時間已經(jīng)從 47.39 秒降低到 3 秒。

total prime num is 664579
cost 3.0948808193206787s

相比 C++ 的 2.3 秒還是有一點慢，你可能會說 Python 還是不行啊。等一等，我們還有優(yōu)化的空間，就是 Python 的 for 循環(huán)，那可是 1000 萬的循環(huán)，對此，Numba 提供了 prange 參數(shù)來并行計算，從而并發(fā)處理循環(huán)語句，只需要將 range 修改為 prange，裝飾器傳個參數(shù)：parallel = True，其他不變，代碼改動如下：

import math
import time
from numba import njit, prange

@njit
def is_prime(num):
    if num == 2:
        return True
    if num <= 1 or not num % 2:
        return False
    for div in range(3, int(math.sqrt(num) + 1), 2):
        if not num % div:
            return False
    return True

@njit(parallel = True)
def run_program(N):
    total = 0
    for i in prange(N):
        if is_prime(i):
            total += 1
    return total


if __name__ == "__main__":
    N = 10000000
    start = time.time()
    total = run_program(N)
    end = time.time()
    print(f"total prime num is {total}")
    print(f"cost {end - start}s")

現(xiàn)在運行一下：

python isPrime.py
total prime num is 664579
cost 1.4398791790008545s

才 1.43 秒，比 C++ 還快，Numba 真的牛逼！我又運行了兩次，確認自己沒看錯，平均就是 1.4 秒：

看到這里，Numba 又讓我燃起了對 Python 的激情，我不轉(zhuǎn) C++ 了，Python 夠用了。

Numba 如何做到的呢？官方文檔這樣介紹：它讀取裝飾函數(shù)的 Python 字節(jié)碼，并將其與有關(guān)函數(shù)輸入?yún)?shù)類型的信息結(jié)合起來，分析和優(yōu)化代碼，最后使用編譯器庫（LLVM）針對你的 CPU 生成量身定制的機器代碼。每次調(diào)用函數(shù)時，都會使用此編譯版本，你說牛逼不？

Numba 還有更多詳細的用法，這里不多說，想了解的請移步官方文檔^[1]。

最后的話

Python 幾乎在每一個領(lǐng)域都有對應(yīng)的解決方案，本文提到的 Numba 庫就是專門解決 Python 在計算密集型任務(wù)方面性能不足的問題，如果你從事機器學(xué)習(xí)、數(shù)據(jù)挖掘等領(lǐng)域，這個會非常有幫助，如果本文對你有用，請點贊、在看、關(guān)注支持。

參考資料