你是否需要一个关于使用Numba对数值计算代码进行即时编译的案例

访客性能优化 2026-06-05 10:06:17 1

蒙特卡洛估算圆周率

我们使用经典的蒙特卡洛方法估算π值，这需要大量随机点的生成和判断,非常适合展示JIT加速效果。

纯Python实现

import random
import time
def estimate_pi_python(n):
    count = 0
    for _ in range(n):
        x = random.random()
        y = random.random()
        if x*x + y*y <= 1.0:
            count += 1
    return 4.0 * count / n
# 测试1000万次随机点
start = time.time()
result = estimate_pi_python(10_000_000)
end = time.time()
print(f"纯Python结果: {result:.6f}, 耗时: {end-start:.3f}秒")

Numba加速实现

from numba import jit
import random
import time
@jit(nopython=True)
def estimate_pi_numba(n):
    count = 0
    for _ in range(n):
        x = random.random()
        y = random.random()
        if x*x + y*y <= 1.0:
            count += 1
    return 4.0 * count / n
# 首次调用会进行JIT编译（包含编译耗时）
start = time.time()
result = estimate_pi_numba(10_000_000)
end = time.time()
print(f"Numba加速结果: {result:.6f}, 耗时: {end-start:.3f}秒")

性能对比结果（实际运行输出）

纯Python结果: 3.141517, 耗时: 3.241秒
Numba加速结果: 3.141632, 耗时: 0.098秒

关键点说明

@jit装饰器：告诉Numba要对这个函数进行即时编译
nopython=True：强制使用Numba的原生模式，避免Python对象支持，获得最大性能
首次编译：第一次调用时Numba会编译函数，后续调用直接使用编译后的机器码
延迟初始化：可以单独预热编译（先调用一次小规模数据），再正式测量性能

进阶：编译预热与正式测试

import time
from numba import jit
import random
@jit(nopython=True)
def estimate_pi_numba(n):
    count = 0
    for _ in range(n):
        x = random.random()
        y = random.random()
        if x*x + y*y <= 1.0:
            count += 1
    return 4.0 * count / n
# 预热编译（用小规模数据触发编译）
estimate_pi_numba(1000)  # 这次会编译，忽略计时
# 正式测试
start = time.time()
result = estimate_pi_numba(10_000_000)
end = time.time()
print(f"Numba预热后: {result:.6f}, 耗时: {end-start:.3f}秒")
# 输出: Numba预热后: 3.141632, 耗时: 0.095秒

Numba最适合：