Numba基础：从安装到起飞

说实话，我第一次接触Numba的时候，心里是有点怀疑的。一个装饰器就能让Python代码跑出C语言的速度？这也太玄乎了吧。直到我在一个金融计算项目里，亲眼看着一段循环跑了整整两分钟，加上@jit之后，三秒出结果——嗯，从那以后我就成了Numba的铁粉。

这一章，咱们就聊聊Numba最核心的东西：怎么装、怎么用、以及那个让很多人头疼的nopython模式到底是个啥。

1. 安装Numba：比你想象的简单

安装这事儿，我建议直接用pip搞定。我个人习惯是在虚拟环境里装，避免污染全局的Python环境。

pip install numba

如果你用的是Anaconda，那更简单：

conda install numba

装完之后，验证一下：

python -c "import numba; print(numba.__version__)"

看到版本号就说明成功了。我记得有一次在Windows上装，报了个LLVM相关的错误，后来发现是Visual C++ Redistributable没装。如果你也遇到类似问题，去微软官网下个最新版的VC++运行库就行。

2. @jit装饰器：最简单的加速方式

说白了，@jit就是给函数贴个标签，告诉Numba：「嘿，帮我把这个函数编译一下」。咱们看个例子：

from numba import jit
import time

# 没加jit的版本
def sum_pure_python(n):
    total = 0
    for i in range(n):
        total += i
    return total

# 加了jit的版本
@jit
def sum_with_numba(n):
    total = 0
    for i in range(n):
        total += i
    return total

# 测试一下
start = time.time()
sum_pure_python(10_000_000)
print(f"纯Python: {time.time() - start:.4f}秒")

start = time.time()
sum_with_numba(10_000_000)
print(f"加Numba: {time.time() - start:.4f}秒")

我第一次跑这个对比的时候，结果让我有点懵——第一次调用Numba版本反而更慢。为什么会这样？因为Numba第一次调用时需要编译，这叫「预热」。第二次再调用，速度就飞起来了。

3. nopython模式：真正的性能之源

嗯，这里要注意了。@jit默认有两种模式：

• object模式：碰到Numba搞不定的Python对象，它会退回到普通Python解释器。说白了，就是没加速。
• nopython模式：强制要求所有代码都能被编译，不能有Python对象的操作。这才是真正的加速模式。

怎么开启nopython模式？很简单：

@jit(nopython=True)
def fast_function(x, y):
    return x + y

或者用更简洁的写法：

from numba import njit

@njit
def fast_function(x, y):
    return x + y

njit就是@jit(nopython=True)的别名。我个人习惯直接用njit，少打几个字嘛。

4. nopython模式支持什么？不支持什么？

这个问题很关键。你想想看，如果不知道哪些能用哪些不能用，写出来的代码编译不过去，多闹心。

支持	不支持
整数、浮点数、布尔值	Python的dict、list（部分支持）
Numpy数组和大部分Numpy函数	Python的set、tuple（作为容器时）
for循环、while循环	try/except异常处理
if/else条件判断	Python的class（自定义类）
数学运算（+、-、*、/等）	字符串操作
部分内置函数（len、range等）	文件I/O操作

说白了，nopython模式更适合做纯数值计算。如果你要处理字符串、文件读写、复杂的对象交互，那还是用纯Python吧。

5. 实战：用SVG画一张知识结构图

下面这张图，是我自己梳理的Numba核心知识脉络。你看一眼，基本就知道这一章在讲什么了。

6. 一个完整的例子：从慢到快

最后，咱们来个完整的对比。假设你要计算一个数组的平方和：

import numpy as np
from numba import njit
import time

# 纯Python版本
def sum_squares_py(arr):
    total = 0
    for i in range(len(arr)):
        total += arr[i] ** 2
    return total

# Numba加速版本
@njit
def sum_squares_numba(arr):
    total = 0
    for i in range(len(arr)):
        total += arr[i] ** 2
    return total

# 准备数据
data = np.random.rand(10_000_000)

# 测试纯Python
start = time.time()
result_py = sum_squares_py(data)
t_py = time.time() - start

# 测试Numba（第一次调用会编译）
start = time.time()
result_nb = sum_squares_numba(data)
t_nb_first = time.time() - start

# 测试Numba（第二次调用，已编译）
start = time.time()
result_nb2 = sum_squares_numba(data)
t_nb_second = time.time() - start

print(f"纯Python: {t_py:.4f}秒")
print(f"Numba(首次): {t_nb_first:.4f}秒")
print(f"Numba(第二次): {t_nb_second:.4f}秒")

我跑出来的结果大概是：纯Python要2秒多，Numba首次调用3秒多（编译开销），第二次调用直接降到0.02秒。100倍的差距，你说香不香？

好了，这一章的内容就这些。记住三个关键词：安装、@jit、nopython模式。下一章咱们会聊更高级的用法，比如并行计算和GPU加速。不过在那之前，建议你先动手试试上面的代码，感受一下Numba的威力。

---