使用 numba 加速 python 代码的执行

Numba是Python的即时编译器，在使用 NumPy 的数组和函数以及循环的代码上效果最佳。

使用Numba的最常见方法是通过其装饰器（numba.jit 等等），把装饰器可应用于函数上可以指示 Numba 对其进行编译。

调用带有Numba装饰的函数时，该函数将被“即时”编译为机器代码以执行！

例如写了一段动态时间规整的 python 代码：

def dtw_distance1(ts_a, ts_b, k, mww=2):
    """Computes dtw distance between two time series

    Args:
        ts_a: time series a
        ts_b: time series b
        d: distance function
        mww: max warping window, int, optional (default = infinity)

    Returns:
        dtw distance
    """

    # Create cost matrix via broadcasting with large int
    cost = np.ones((k, k))

    # Initialize the first row and column
    cost[0, 0] = abs(ts_a[0] - ts_b[0])
    for i in range(1, k):
        cost[i, 0] = cost[i - 1, 0] + abs(ts_a[i]-ts_b[0])

    for j in range(1, k):
        cost[0, j] = cost[0, j - 1] + abs(ts_a[0]-ts_b[j])

    # Populate rest of cost matrix within window
    for i in range(1, k):
        for j in range(max(1, i - mww), min(k, i + mww)):
            choices = cost[i - 1, j - 1], cost[i, j - 1], cost[i - 1, j]
            cost[i, j] = min(choices) + abs(ts_a[i]- ts_b[j])

    # Return DTW distance given window
    return cost[-1, -1]

全是 for 循环，写在 python 代码里非常尴尬，但是算法就这么实现的，有什么办法🤷‍♀️

下面只需一行代码，就可以大幅加速

import numba

@numba.jit(nopython=True)
def dtw_distance2(ts_a, ts_b, k, mww=2):
    """Computes dtw distance between two time series

    Args:
        ts_a: time series a
        ts_b: time series b
        d: distance function
        mww: max warping window, int, optional (default = infinity)

    Returns:
        dtw distance
    """
    ...

只需一个装饰器，python 秒变 c 语言！

nopython=True 表示这段代码必须编译成非 python 语言，否则就给我报错，终止程序！

下面来测试以下效率的提升：

我不测了，大家自己测吧😆