Numba和Cython如何加速Python代碼
近些年來， Numba和Cython在數學科學界得到了廣泛的關注。它們都提供了一種加速CPU密集型任務的方法，但以不同的方式。本文描述了它們之間體系結構的差異。
Numba
Numba是一個即時（JIT）編譯器，它將Python代碼轉換為用於CPU和GPU的本地機器指令。代碼可以在導入時、運行時或提前編譯。
通過使用
jit
裝飾器，使用Numba非常容易：
正如你所知道的，在Python中，所有代碼塊都被編譯成位元組碼：
代碼優化
為了優化Python代碼，Numba從提供的函數中提取一個位元組碼，並在其上運行一組分析器。Python位元組碼包含一系列小而簡單的指令，因此不必從Python實現中使用源代碼就可以從位元組碼中重構函數的邏輯。轉換的過程涉及多個階段，但Numba將Python位元組碼轉換為LLVM中間表示 (IR)。
請注意，LLVM IR是一種低級編程語言，它類似於彙編語法，與Python無關。
Numba 模式
Numba中有兩種模式：
nopython
和
object
。前者不使用Python運行時並且在沒有Python依賴項的情況下生成本機代碼。 本機代碼是靜態類型的，運行非常快。而對象模式使用Python對象和Python C API，這通常不會帶來顯著的速度改進。在這兩種情況下，Python代碼都是使用LLVM編譯的。什麼是LLVM？
LLVM是一種編譯器，它採用代碼的特殊中間表示（IR），並將其編譯成本機代碼。編譯過程涉及許多額外的傳遞，其中編譯器優化IR。LLVM工具鏈很好地優化了IR，不僅為Numba編譯代碼，而且優化Numba。整個系統大致如下：
Python numba 體系結構
Numba的優勢：
易用性
自動並行化
支持numpy操作和對象
GPU支持
Numba的劣勢：
多層的抽象使得調試和優化變得非常困難
在
nopython
模式下無法與Python及其模塊進行交互
有限的類支持
Cython
取代分析位元組碼和生成IR，Cython使用Python語法的超集，它後來轉換成C代碼。在使用Cython時，基本上是用高級Python語法編寫C代碼。
在Cython中，通常不必擔心Python包裝器和低級API調用，因為所有交互都會自動擴展到合適的C代碼。
與Numba不同，所有的Cython代碼應該在專門文件中與常規Python代碼分開。Cython將這些文件解析並轉換成C代碼，然後使用提供的C編譯器 (例如，
gcc
)編譯它。Python代碼已經是有效的Cython代碼。
但是，類型版本工作得更快。
編寫快速Cython代碼需要理解C和Python內部結構。如果你熟悉C，你的Cython代碼可以運行得和C代碼一樣快。
Cython的優勢：
通過Python API的使用控制
與C/C++庫和C/C++代碼的簡單介面
並行執行支持
支持Python類，在C中提供面向對象的特性
Cython的劣勢：
學習曲線
需要C和Python內部專業技術
模塊的組織不方便
Numba 對 Cython
就個人而言，我更喜歡小項目和ETL實驗用Numba。你可以將其插入現有項目中。如果我需要啟動一個大項目或為C庫編寫包裝器，我將使用Cython，因為它提供更多的控制和更容易調試。
此外，Cython是許多庫的標準，如pandas、scikit-learn、scipy、Spacy、gensim和lxml。
英文原文：https://rushter.com/blog/numba-cython-python-optimization/
譯者：張新英
※Google地圖不方了！圓了！
※Python中的9個「奇怪」的現象
TAG:Python程序員 |