Numba
Numba est une bibliothèque Python qui permet d'optimiser le code Python en le compilant en code machine pour une exécution plus rapide. Elle est principalement utilisée pour accélérer les calculs numériques intensifs, comme ceux qui sont couramment utilisés dans les domaines de la science des données, de l'apprentissage automatique et de la modélisation scientifique.
Numba fonctionne en "juste-à-temps" (JIT), ce qui signifie qu'il compile le code Python en code machine au moment où il est exécuté, plutôt que de le compiler à l'avance. Cela permet d'obtenir des performances proches de celles du code compilé, tout en conservant la flexibilité et la lisibilité du code Python.
Installer Numba
Pour utiliser Numba, vous devez d'abord l'installer dans votre environnement Python en utilisant la commande "pip install numba". Vous pouvez ensuite utiliser l'annotation "@numba.jit" pour indiquer à Numba quelles fonctions du code doivent être compilées en code machine. Numba peut également être utilisé avec d'autres bibliothèques Python pour accélérer des opérations spécifiques, comme les calculs matriciels avec NumPy.
En général, Numba est une bibliothèque très utile pour accélérer le code Python qui effectue des calculs intensifs. Cependant, il est important de garder à l'esprit que la compilation en code machine peut rendre le code moins lisible et plus difficile à déboguer, et qu'elle n'est pas toujours la solution la plus adaptée à tous les cas d'utilisation.
Exemple d'utilisation
import numba
import numpy as np
import time
def sum_array_python(arr):
result = 0
for i in range(arr.size):
result += arr[i]
return result
@numba.jit
def sum_array(arr):
result = 0
for i in range(arr.size):
result += arr[i]
return result
data = np.random.random(1000000)
# Comportement standard
start = time.time()
sum_array_python(data)
print(time.time() - start)
# 1ère compilation prend plus de temps
start = time.time()
sum_array(data)
print(time.time() - start)
# 100x plus rapide que le python standard
start = time.time()
sum_array(data)
print(time.time() - start)
Voici ce que ca donne sur ma machine:
0.09061622619628906
0.15590143203735352
0.0009911060333251953
Impressionnant la différence!
Dans cet exemple, la fonction "sum_array()" est annotée avec "@numba.jit" pour indiquer à Numba qu'elle doit être compilée en code machine. Lorsque la fonction est exécutée sans Numba, elle est relativement lente en raison de la boucle "for" qui parcourt tous les éléments du tableau. Lorsqu'elle est exécutée avec Numba, elle est beaucoup plus rapide car le code est compilé en code machine et exécuté de manière plus efficace.
Cet exemple montre comment Numba peut être utilisé pour accélérer des fonctions qui effectuent des opérations sur des tableaux de données de manière séquentielle. Numba peut également être utilisé pour accélérer des fonctions qui effectuent des opérations sur des tableaux de manière vectorisée (en utilisant l'annotation "@numba.vectorize") ou générique (en utilisant l'annotation "@numba.guvectorize").
Une liste de mots-clés couramment utilisés avec Numba :
- @numba.jit : cette annotation permet de déclarer une fonction qui doit être compilée en code machine par Numba.
- @numba.vectorize : cette annotation permet de déclarer une fonction qui doit être compilée en code machine par Numba et qui peut être utilisée pour effectuer des opérations sur des tableaux de données de manière vectorisée.
- @numba.guvectorize : cette annotation permet de déclarer une fonction qui doit être compilée en code machine par Numba et qui peut être utilisée pour effectuer des opérations sur des tableaux de données de manière vectorisée et générique (c'est-à-dire qu'elle peut prendre en entrée des tableaux de différentes tailles et formes).
Concurrents:
- Cython : Cython est une bibliothèque Python qui permet de convertir du code Python en code C pour une exécution plus rapide. Elle fonctionne en ajoutant des types statiques au code Python, ce qui permet de générer du code C plus efficace. Cython est souvent utilisé pour accélérer des fonctions qui effectuent des opérations intensives sur des tableaux de données, comme celles qui sont couramment utilisées dans les domaines de la science des données et de la modélisation scientifique.
- PyPy : PyPy est une implémentation alternative de Python qui utilise une technique de compilation JIT (juste-à-temps) pour accélérer le code Python. Elle est conçue pour être compatible avec les programmes Python existants et peut être utilisée comme une alternative à l'interpréteur Python standard. PyPy est souvent utilisée pour accélérer des programmes qui effectuent des opérations intensives sur des données, comme les jeux et les applications Web.
- Pyston : Pyston est une autre implémentation alternative de Python qui utilise une technique de compilation JIT pour accélérer
