软硬件环境
前言
Python是一门应用非常广泛的高级语言，但是，长久以来，Python的运行速度一直被人诟病，相比c/c++、java、c#、javascript等一众高级编程语言，完全没有优势。
那么真的没有办法提升Python程序的运行速度吗？相信看完本文，你应该会有答案。
示例
这里以找出1000000以内的质数为例，分别计算下需要花费多长的时间？
首先来回顾下什么是质数？
质数(Prime number)，又称素数，指在大于1的自然数中，除了1和该数本身外，无法被其他自然数整除(也可定义为只有1与该数本身两个因数)。举个例子，比如说数字7，从2开始一直到6，都不能被它整除，只有1和它本身7才能被7整除，所以7就是一个质数。
下面来看看python的代码实现
import math
import time
def is_prime(num):
if num == 2:
return True
if num <= 1 or not num % 2:
return False
# 从3开始，到int(根号num)+1，步长是2，如3,5,7 ...
for i in range(3, int(math.sqrt(num)) + 1, 2):
if not num % i:
return False
return True
def run_program(N):
for i in range(N):
is_prime(i)
if __name__ == '__main__':
N = 1000000
start = time.time()
run_program(N)
end = time.time()
print(end - start)
执行代码，可以看到在我的老旧i5机器上总共花费了5秒多
改进
大家都知道解释型语言，解释器不产生目标机器代码，而是产生中间代码，解释器通常会导致执行效率较低。
因此，问题就变成了，能不能将python代码翻译成机器码？那执行效率肯定就会大大提升了
numba就是这么一款工具，它是python的即时编译器(just-in-time compiler)，它使用LLVM将python代码翻译成机器码，特别是在使用numpy数组以及循环操作上，效果最佳。
numba的使用比较简单，我们不需要更换python的解释器，只需要将numba的装饰器写在python方法上，当这个带有numba装饰器的方法被调用时，就会被just-in-time即时编译为机器代码，然后执行。
使用numba之前，我们需要安装这个库
pip install numba
或者
conda install numba下面来看看numba版本的质数问题
import math
import time
from numba import njit
@njit(fastmath=True, cache=True)
def is_prime(num):
if num == 2:
return True
if num <= 1 or not num % 2:
return False
for i in range(3, int(math.sqrt(num)) + 1, 2):
if not num % i:
return False
return True
@njit(fastmath=True, cache=True)
def run_program(N):
for i in range(N):
is_prime(i)
if __name__ == '__main__':
N = 10000000
start = time.time()
run_program(N)
end = time.time()
print(end - start)
执行上述代码，可以看到，速度提升了4倍左右，不到1秒，效果还是非常明显
最后，作为横向比较，我们使用c++语言，也写一个类似的程序
#include <iostream>
#include <cmath>
#include <time.h>
using namespace std;
bool isPrime(int num)
{
if (num == 2)
return true;
if (num <= 1 || num % 2 == 0)
return false;
double sqrt_num = sqrt(double(num));
for (int i = 3; i <= sqrt_num; i += 2) {
if (num % i == 0)
return false;
}
return true;
}
int main()
{
int N = 1000000;
clock_t start, end;
start = clock();
for (int i=0; i < N; i++)
isPrime(i);
end = clock();
cout << (end - start) / ((double)CLOCKS_PER_SEC);
return 0;
}编译后执行，可以看到，只花了0.4秒
小结
从上面的对比示例中可以看到，使用了just-in-time compiler后(numba、pypy都是类似的实现)，代码的执行效率已经直逼C++等编译型语言了。
