有时，如果您真的想加快计算速度，您需要编写非惯用的 numpy 代码，而原生 numpy 无法做到这一点。
numba将您的 python 代码编译为低级 C。由于许多 numpy 本身通常与 C 一样快，因此如果您的问题不适合使用 numpy 进行本机矢量化，这通常会很有用。这是一个示例（我假设索引是连续且已排序的，这也反映在示例数据中）：
import numpy as np
import numba
# use the inflated example of roganjosh https://stackoverflow.com/a/58788534
data = [1.00, 1.05, 1.30, 1.20, 1.06, 1.54, 1.33, 1.87, 1.67]
index = [0, 0, 1, 1, 1, 1, 2, 3, 3]
data = np.array(data * 500) # using arrays is important for numba!
index = np.sort(np.random.randint(0, 30, 4500))
# jit-decorate; original is available as .py_func attribute
@numba.njit('f8[:](f8[:], i8[:])') # explicit signature implies ahead-of-time compile
def diffmedian_jit(data, index):
res = np.empty_like(data)
i_start = 0
for i in range(1, index.size):
if index[i] == index[i_start]:
continue
# here: i is the first _next_ index
inds = slice(i_start, i) # i_start:i slice
res[inds] = data[inds] - np.median(data[inds])
i_start = i
# also fix last label
res[i_start:] = data[i_start:] - np.median(data[i_start:])
return res
以下是一些使用 IPython%timeit魔法的时间：
>>> %timeit diffmedian_jit.py_func(data, index) # non-jitted function
... %timeit diffmedian_jit(data, index) # jitted function
...
4.27 ms ± 109 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
65.2 µs ± 1.01 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
使用问题中更新的示例数据，这些数字（即 python 函数的运行时间与 JIT 加速函数的运行时间）是
>>> %timeit diffmedian_jit.py_func(data, groups)
... %timeit diffmedian_jit(data, groups)
2.45 s ± 34.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
93.6 ms ± 518 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
这相当于使用加速代码在较小的情况下加速了 65 倍，在较大的情况下加速了 26 倍（当然，与缓慢的循环代码相比）。另一个好处是（与使用本机 numpy 的典型向量化不同）我们不需要额外的内存来实现这个速度，这完全是关于最终运行的优化和编译的低级代码。
上面的函数假定int64默认情况下是 numpy int 数组，而在 Windows 上实际上并非如此。因此，另一种方法是从对 的调用中删除签名numba.njit，从而触发正确的即时编译。但这意味着函数将在第一次执行期间编译，这可能会干扰计时结果（我们可以手动执行一次函数，使用代表性数据类型，或者只是接受第一次计时执行会慢得多，这应该被忽略）。这正是我试图通过指定一个触发提前编译的签名来防止的。
无论如何，在正确的 JIT 情况下，我们需要的装饰器只是
@numba.njit
def diffmedian_jit(...):
请注意，我为 jit 编译的函数显示的上述时间仅适用于编译函数后。这要么发生在定义时（使用急切编译，当显式签名传递给时numba.njit），或者发生在第一个函数调用期间（使用惰性编译，当没有签名传递给时numba.njit）。如果函数只执行一次，那么编译时间也应该考虑这个方法的速度。如果编译 + 执行的总时间小于未编译的运行时，通常只值得编译函数（在上述情况下实际上是这样，本机 python 函数非常慢）。这主要发生在您多次调用编译函数时。
正如max9111在评论中指出的那样，的一个重要特征numba是cache关键字to jit。传递cache=Truetonumba.jit会将编译后的函数存储到磁盘，以便在给定 python 模块的下一次执行期间，该函数将从那里加载而不是重新编译，从长远来看，这再次可以节省您的运行时间。