本文主要是介绍Python如何加速for循环？除了Numba @jit之外还有什么方法？，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
今天聊聊Python 3.0的Numba库的即时编译@jit（Just in Time)。
故事背景：知乎某小透明提出的一个问题
Python的多重for循环可以用什么办法克服其速度慢的缺陷（numba@jit除外）？
最近在回看自己之前打的代码，发觉一份项目里的Python代码里面，有一个三重循环十分耗时间，使用numba的话提升效果并不明显，想问问大家如何去解决。大家一起来讨论下吧~
这个循环是在迭代的更新两个矩阵内元素，算法内的迭代并不支持用矩阵思想来批量处理，从而达到加速的目的。
Reply
现在问题算是解决了，自己来回答一波~
我的原先的函数内容大概是这样的：
解释一下：
#1的语句是一些有关于初始化的操作。
#update equations 大概是一个迭代更新L和R数组某元素的东西，但这种迭代不支持用一些Py的技巧来让它进行批量的处理。
那么问题出在哪儿了呢？
numba@jit其实是不支持list语句的！！！ 而在#1语句里面写到了一些必须要用的list操作。所以我在notebook上跑的时候一直会报WARNING通知的，然而愚蠢的我在当时忽略了它的存在。
所以在那时，看似我加了@jit做修饰器，但其实并没有！！！
于是乎，一个比较显然的重构的想法就出来了。
跑通了之后，虽然还是比C++慢，但速度已经不会像当时一样不可容忍了。
关于其它的for内加速的方法：
- @jit不说了，简单方便的一种方法，但是不支持list操作。
- 少在循环内调用大复杂度的函数。
- 然后cython，但可能需要重构代码之类的。
- 或者PyPy，但它是不支持numpy相关的东西的。
- 最后的最后，尽量做批量处理，充分发挥Py和numpy的优势！
最后吐槽一句，要不是必须用DL，我才**不用Python呢…
这篇关于Python如何加速for循环？除了Numba @jit之外还有什么方法？的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
