A.7 用Numba编写快速NumPy函数

    为了介绍Numba，来考虑一个纯粹的Python函数，它使用for循环计算表达式(x - y).mean()：

    这个函数很慢：

    3. In [210]: y = np.random.randn(10000000)
    5. In [211]: %timeit mean_distance(x, y)
    6. 1 loop, best of 3: 2 s per loop
    8. In [212]: %timeit (x - y).mean()

    NumPy的版本要比它快过100倍。我们可以转换这个函数为编译的Numba函数，使用numba.jit函数：

    1. @nb.jit
    3.     nx = len(x)
    4.     result = 0.0
    5.     count = 0
    6.     for i in range(nx):
    7.         result += x[i] - y[i]
    8.         count += 1
    9.     return result / count

    它要比矢量化的NumPy快：

    Numba不能编译Python代码，但它支持纯Python写的一个部分，可以编写数值算法。

    Numba是一个深厚的库，支持多种硬件、编译模式和用户插件。它还可以编译NumPy Python API的一部分，而不用for循环。Numba也可以识别可以便以为机器编码的结构体，但是若调用CPython API，它就不知道如何编译。Numba的jit函数有一个选项，nopython=True，它限制了可以被转换为Python代码的代码，这些代码可以编译为LLVM，但没有任何Python C API调用。jit(nopython=True)有一个简短的别名numba.njit。

    3. def mean_distance(x, y):
    4.     return (x - y).mean()

    我建议你学习Numba的线上文档（ ufunc对象的例子。

    numba.vectorize创建了一个编译的NumPy ufunc，它与内置的ufunc很像。考虑一个numpy.add的Python例子：

    现在有：

    1. In [13]: x = np.arange(10)
    3. In [14]: nb_add(x, x)
    4. Out[14]: array([  0.,   2.,   4.,   6.,   8.,  10.,  12.,  14.,  16.,  18.])
    6. Out[15]: array([  0.,   1.,   3.,   6.,  10.,  15.,  21.,  28.,  36.,  45.])