python - 与 CPython 相比，Numba 和 Cython 没有显着提高性能，也许我使用不正确？

Question

大编辑:

================

为了清楚起见，我删除了旧结果并用更新的结果替换它。问题还是一样:我是否正确地同时使用了 Cython 和 Numba，以及可以对代码进行哪些改进？ (我有一个更新更简单的临时 IPython 笔记本，其中包含所有代码和结果 here)

1)

我想我明白了为什么最初 Cython、Numba 和 CPython 之间没有区别:这是因为我喂了它们

numpy 数组作为输入:

x = np.asarray([x_i*np.random.randint(8,12)/10 for x_i in range(n)])

代替列表:

x = [x_i*random.randint(8,12)/10 for x_i in range(n)]

使用 Numpy 数组作为数据输入的基准测试

使用 Python 列表作为输入的基准测试

2)

我用显式循环替换了 zip() 函数，但是，它并没有太大的区别。代码将是:

CPython

def py_lstsqr(x, y):
    """ Computes the least-squares solution to a linear matrix equation. """
    len_x = len(x)
    x_avg = sum(x)/len_x
    y_avg = sum(y)/len(y)
    var_x = 0
    cov_xy = 0
    for i in range(len_x):
        temp = (x[i] - x_avg)
        var_x += temp**2
        cov_xy += temp*(y[i] - y_avg)
    slope = cov_xy / var_x
    y_interc = y_avg - slope*x_avg
    return (slope, y_interc) 

赛通

%load_ext cythonmagic

%%cython
def cy_lstsqr(x, y):
    """ Computes the least-squares solution to a linear matrix equation. """
    cdef double x_avg, y_avg, var_x, cov_xy,\
         slope, y_interc, x_i, y_i
    cdef int len_x
    len_x = len(x)
    x_avg = sum(x)/len_x
    y_avg = sum(y)/len(y)
    var_x = 0
    cov_xy = 0
    for i in range(len_x):
        temp = (x[i] - x_avg)
        var_x += temp**2
        cov_xy += temp*(y[i] - y_avg)
    slope = cov_xy / var_x
    y_interc = y_avg - slope*x_avg
    return (slope, y_interc)

数巴

from numba import jit

@jit
def numba_lstsqr(x, y):
    """ Computes the least-squares solution to a linear matrix equation. """
    len_x = len(x)
    x_avg = sum(x)/len_x
    y_avg = sum(y)/len(y)
    var_x = 0
    cov_xy = 0
    for i in range(len_x):
        temp = (x[i] - x_avg)
        var_x += temp**2
        cov_xy += temp*(y[i] - y_avg)
    slope = cov_xy / var_x
    y_interc = y_avg - slope*x_avg
    return (slope, y_interc)

Answer 1

这是我认为 Numba 正在发生的事情:

Numba 适用于 Numpy 数组。没有其他的。其他一切都与 Numba 无关。

zip 返回任意项目的迭代器，Numba 看不到它。因此 Numba 不能做太多编译。

使用 for i in range(...) 遍历索引可能会产生更好的结果并允许更强的类型推断。