Python用的好，豬也能飛起來。

今天，帶大家學習如何讓Python飛起來的方法，干貨滿滿哦!

python一直被病垢運行速度太慢，但是實際上python的執行效率并不慢，慢的是python用的解釋器Cpython運行效率太差。

“一行代碼讓python的運行速度提高100倍”這絕不是嘩眾取寵的論調。

我們來看一下這個最簡單的例子，從1一直累加到1億。

最原始的代碼： 

import time 
def foo(x,y): 
 tt = time.time() 
 s = 0 
 for i in range(x,y): 
 s += i 
 print('Time used: {} sec'.format(time.time()-tt)) 
 return s 
print(foo(1,100000000)) 

結果： 

Time used: 6.779874801635742 sec 
4999999950000000 

我們來加一行代碼，再看看結果：

from numba import jit 
import time 
@jit 
def foo(x,y): 
 tt = time.time() 
 s = 0 
 for i in range(x,y): 
 s += i 
 print('Time used: {} sec'.format(time.time()-tt)) 
 return s 
print(foo(1,100000000)) 

結果： 

Time used: 0.04680037498474121 sec 
4999999950000000 

是不是快了100多倍呢?

那么下面就分享一下“為啥numba庫的jit模塊那么牛掰?”

NumPy的創始人Travis Oliphant在離開Enthought之后，創建了CONTINUUM，致力于將Python大數據處理方面的應用。最近推出的Numba項目能夠將處理NumPy數組的Python函數JIT編譯為機器碼執行，從而上百倍的提高程序的運算速度。

Numba項目的主頁上有Linux下的詳細安裝步驟。編譯LLVM需要花一些時間。

Windows用戶可以從Unofficial Windows Binaries for Python Extension Packages下載安裝LLVMPy、meta和numba等幾個擴展庫。

下面我們看一個例子： 

import numba as nb 
from numba import jit 
@jit('f8(f8[:])') 
def sum1d(array): 
 s = 0.0 
 n = array.shape[0] 
 for i in range(n): 
 s += array[i] 
 return s 
import numpy as np 
array = np.random.random(10000) 
%timeit sum1d(array) 
%timeit np.sum(array) 
%timeit sum(array) 
10000 loops, best of 3: 38.9 us per loop 
10000 loops, best of 3: 32.3 us per loop 
100 loops, best of 3: 12.4 ms per loop 

numba中提供了一些修飾器，它們可以將其修飾的函數JIT編譯成機器碼函數，并返回一個可在Python中調用機器碼的包裝對象。為了能將Python函數編譯成能高速執行的機器碼，我們需要告訴JIT編譯器函數的各個參數和返回值的類型。我們可以通過多種方式指定類型信息，在上面的例子中，類型信息由一個字符串’f8(f8[:])’指定。其中’f8’表示8個字節雙精度浮點數，括號前面的’f8’表示返回值類型，括號里的表示參數類型，’[:]’表示一維數組。因此整個類型字符串表示sum1d()是一個參數為雙精度浮點數的一維數組，返回值是一個雙精度浮點數。

需要注意的是，JIT所產生的函數只能對指定的類型的參數進行運算： 

print sum1d(np.ones(10, dtype=np.int32)) 
print sum1d(np.ones(10, dtype=np.float32)) 
print sum1d(np.ones(10, dtype=np.float64)) 
1.2095376009e-312 
1.46201599944e+185 
10.0 

如果希望JIT能針對所有類型的參數進行運算，可以使用autojit： 

from numba import autojit 
@autojit 
def sum1d2(array): 
 s = 0.0 
 n = array.shape[0] 
 for i in range(n): 
 s += array[i] 
 return s 
%timeit sum1d2(array) 
print sum1d2(np.ones(10, dtype=np.int32)) 
print sum1d2(np.ones(10, dtype=np.float32)) 
print sum1d2(np.ones(10, dtype=np.float64)) 
10000 loops, best of 3: 143 us per loop 
10.0 
10.0 
10.0 

autoit雖然可以根據參數類型動態地產生機器碼函數，但是由于它需要每次檢查參數類型，因此計算速度也有所降低。numba的用法很簡單，基本上就是用jit和autojit這兩個修飾器，和一些類型對象。下面的程序列出numba所支持的所有類型： 

print [obj for obj in nb.__dict__.values() if isinstance(obj, nb.minivect.minitypes.Type)] 
[size_t, Py_uintptr_t, uint16, complex128, float, complex256, void, int , long double, 
unsigned PY_LONG_LONG, uint32, complex256, complex64, object_, npy_intp, const char *, 
double, unsigned short, float, object_, float, uint64, uint32, uint8, complex128, uint16, 
int, int , uint8, complex64, int8, uint64, double, long double, int32, double, long double, 
char, long, unsigned char, PY_LONG_LONG, int64, int16, unsigned long, int8, int16, int32, 
unsigned int, short, int64, Py_ssize_t] 

工作原理

numba的通過meta模塊解析Python函數的ast語法樹，對各個變量添加相應的類型信息。然后調用llvmpy生成機器碼，***再生成機器碼的Python調用接口。

meta模塊

通過研究numba的工作原理，我們可以找到許多有用的工具。例如meta模塊可在程序源碼、ast語法樹以及Python二進制碼之間進行相互轉換。下面看一個例子： 

def add2(a, b): 
 return a + b 

decompile_func能將函數的代碼對象反編譯成ast語法樹，而str_ast能直觀地顯示ast語法樹，使用這兩個工具學習Python的ast語法樹是很有幫助的。 

from meta.decompiler import decompile_func 
from meta.asttools import str_ast 
print str_ast(decompile_func(add2)) 
FunctionDef(args=arguments(args=[Name(ctx=Param(), 
 id='a'), 
 Name(ctx=Param(), 
 id='b')], 
 defaults=[], 
 kwarg=None, 
 vararg=None), 
 body=[Return(value=BinOp(left=Name(ctx=Load(), 
 id='a'), 
 op=Add(), 
 right=Name(ctx=Load(), 
 id='b')))], 
 decorator_list=[], 
 name='add2') 

而python_source可以將ast語法樹轉換為Python源代碼： 

from meta.asttools import python_source 
python_source(decompile_func(add2)) 
def add2(a, b): 
 return (a + b) 

decompile_pyc將上述二者結合起來，它能將Python編譯之后的pyc或者pyo文件反編譯成源代碼。下面我們先寫一個tmp.py文件，然后通過py_compile將其編譯成tmp.pyc。 

with open("tmp.py", "w") as f: 
 f.write(""" 
def square_sum(n): 
 s = 0 
 for i in range(n): 
 s += i**2 
 return s 
""") 
import py_compile 
py_compile.compile("tmp.py") 

下面調用decompile_pyc將tmp.pyc顯示為源代碼： 

with open("tmp.pyc", "rb") as f: 
 decompile_pyc(f) 
def square_sum(n): 
 s = 0 
 for i in range(n): 
 s += (i ** 2) 
 return s 

llvmpy模塊

LLVM是一個動態編譯器，llvmpy則可以通過Python調用LLVM動態地創建機器碼。直接通過llvmpy創建機器碼是比較繁瑣的，例如下面的程序創建一個計算兩個整數之和的函數，并調用它計算結果。 

from llvm.core import Module, Type, Builder 
from llvm.ee import ExecutionEngine, GenericValue 
# Create a new module with a function implementing this: 
# 
# int add(int a, int b) { 
# return a + b; 
# } 
# 
my_module = Module.new('my_module') 
ty_int = Type.int() 
ty_func = Type.function(ty_int, [ty_int, ty_int]) 
f_add = my_module.add_function(ty_func, "add") 
f_add.args[0].name = "a" 
f_add.args[1].name = "b" 
bb = f_add.append_basic_block("entry") 
# IRBuilder for our basic block 
builder = Builder.new(bb) 
tmp = builder.add(f_add.args[0], f_add.args[1], "tmp") 
builder.ret(tmp) 
# Create an execution engine object. This will create a JIT compiler 
# on platforms that support it, or an interpreter otherwise 
ee = ExecutionEngine.new(my_module) 
# Each argument needs to be passed as a GenericValue object, which is a kind 
# of variant 
arg1 = GenericValue.int(ty_int, 100) 
arg2 = GenericValue.int(ty_int, 42) 
# Now let's compile and run! 
retval = ee.run_function(f_add, [arg1, arg2]) 
# The return value is also GenericValue. Let's print it. 
print "returned", retval.as_int() 
returned 142 

f_add就是一個動態生成的機器碼函數，我們可以把它想象成C語言編譯之后的函數。在上面的程序中，我們通過ee.run_function調用此函數，而實際上我們還可以獲得它的地址，然后通過Python的ctypes模塊調用它。

首先通過ee.get_pointer_to_function獲得f_add函數的地址： 

addr = ee.get_pointer_to_function(f_add) 
addr 
2975997968L 

然后通過ctypes.PYFUNCTYPE創建一個函數類型： 

import ctypes 
f_type = ctypes.PYFUNCTYPE(ctypes.c_int, ctypes.c_int, ctypes.c_int) 

***通過f_type將函數的地址轉換為可調用的Python函數，并調用它： 

f = f_type(addr) 
f(100, 42) 
142 

numba所完成的工作就是：

解析Python函數的ast語法樹并加以改造，添加類型信息;

將帶類型信息的ast語法樹通過llvmpy動態地轉換為機器碼函數，然后再通過和ctypes類似的技術為機器碼函數創建包裝函數供Python調用。