与CPython相比，Numba和Cython并没有显著提高性能，也许我使用它不正确？

Question

大编辑：

================

为了清楚起见，我要删除旧的结果，代之以最近的结果。问题仍然是一样的:我是否正确地使用了Cython和Numba，以及可以对代码进行哪些改进？(我有一个更新的、更简单的临时IPython笔记本，上面有所有的代码和结果这里)

1)

我想我明白了为什么Cython，Numba和CPython之间最初没有什么区别:这是因为我喂养了它们

numpy数组作为输入：

x = np.asarray([x_i*np.random.randint(8,12)/10 for x_i in range(n)])

而不是清单：

x = [x_i*random.randint(8,12)/10 for x_i in range(n)]

使用Numpy数组作为数据输入的基准测试

​

​

使用Python列表作为输入的基准测试

​

​

2)

我用显式循环替换了zip()函数，但是，它并没有产生太大的影响。守则将是：

CPython

def py_lstsqr(x, y):
    """ Computes the least-squares solution to a linear matrix equation. """
    len_x = len(x)
    x_avg = sum(x)/len_x
    y_avg = sum(y)/len(y)
    var_x = 0
    cov_xy = 0
    for i in range(len_x):
        temp = (x[i] - x_avg)
        var_x += temp**2
        cov_xy += temp*(y[i] - y_avg)
    slope = cov_xy / var_x
    y_interc = y_avg - slope*x_avg
    return (slope, y_interc) 

Cython

%load_ext cythonmagic

%%cython
def cy_lstsqr(x, y):
    """ Computes the least-squares solution to a linear matrix equation. """
    cdef double x_avg, y_avg, var_x, cov_xy,\
         slope, y_interc, x_i, y_i
    cdef int len_x
    len_x = len(x)
    x_avg = sum(x)/len_x
    y_avg = sum(y)/len(y)
    var_x = 0
    cov_xy = 0
    for i in range(len_x):
        temp = (x[i] - x_avg)
        var_x += temp**2
        cov_xy += temp*(y[i] - y_avg)
    slope = cov_xy / var_x
    y_interc = y_avg - slope*x_avg
    return (slope, y_interc)

南巴

from numba import jit

@jit
def numba_lstsqr(x, y):
    """ Computes the least-squares solution to a linear matrix equation. """
    len_x = len(x)
    x_avg = sum(x)/len_x
    y_avg = sum(y)/len(y)
    var_x = 0
    cov_xy = 0
    for i in range(len_x):
        temp = (x[i] - x_avg)
        var_x += temp**2
        cov_xy += temp*(y[i] - y_avg)
    slope = cov_xy / var_x
    y_interc = y_avg - slope*x_avg
    return (slope, y_interc)

Answer 1

我认为Numba正在发生的事情是：

Numba工作在Numpy数组上。没别的了。其他一切都与Numba无关。

zip返回一个任意项的迭代器，Numba无法对其进行查看。因此，Numba不能做太多的编译。

使用for i in range(...)循环索引可能会产生更好的结果，并允许更强的类型推断。

Answer 2

使用内置sum()可能会导致问题。

下面是在Numba中运行更快的线性回归代码：

@numba.jit
def ols(x, y):
    """Simple OLS for two data sets."""
    M = x.size

    x_sum = 0.
    y_sum = 0.
    x_sq_sum = 0.
    x_y_sum = 0.

    for i in range(M):
        x_sum += x[i]
        y_sum += y[i]
        x_sq_sum += x[i] ** 2
        x_y_sum += x[i] * y[i]

    slope = (M * x_y_sum - x_sum * y_sum) / (M * x_sq_sum - x_sum**2)
    intercept = (y_sum - slope * x_sum) / M

    return slope, intercept