Python是一种速度较慢的语言，因此最好将计算委托给用更快的语言编写的代码。您可以使用现有的库（如NumPy和SciPy）来实现这一点，但是当您需要实现一个新算法，并且不想用较低级别的语言编写代码时，会发生什么呢？
对于某些类型的计算，尤其是以数组为中心的代码，Numba库可以显著加快代码的速度。有时候你需要稍微调整一下，有时候它只会在没有任何改变的情况下工作。当它工作时，它是一个非常透明的速度修正。
Numba在高层的工作方式，以及对代码运行方式的影响。
假设你有一个非常大的数组，你想计算单调递增的版本：值可以上升，但永远不会下降。例如：
[ 1 , 2 , 1 , 3 , 3 , 5 , 4 , 6 ] → [ 1 , 2 , 2 , 3 , 3 , 5 , 5 , 6 ]
def单调递增（a）：范围内i的最大值=0（len（a））：如果a[i]>；max_value:max_value=a[i]a[i]=max_value
不过有个问题。NumPy速度很快，因为它可以在不调用Python的情况下完成所有计算。由于该函数涉及Python中的循环，因此我们失去了使用NumPy的所有性能优势。
对于一个10000000条目的NumPy数组，这个函数在我的计算机上运行需要2.5秒。我们能做得更好吗？
Numba是Python的即时编译器，专门关注在NumPy数组上循环运行的代码。正是我们需要的！
从numba import njit@njit def单调递增（a）：范围内i的最大值=0（len（a））：如果a[i]>；max_value:max_value=a[i]a[i]=max_value
它的运行时间为0.19秒，大约快13倍；重复使用相同的代码也不错！
当然，事实证明NumPy已经有了一个功能，可以实现这一点，NumPy。最大限度积累使用这个方法，跑步只需要0.03秒。
当你能找到一个NumPy或SciPy函数来做你想做的事情时，问题就解决了。但是如果numpy呢。最大限度你不存在吗？在这一点上，如果你想要一个快速的结果，另一个选择是编写一些低级代码，但这意味着转换编程语言，一个更复杂的构建系统，以及更复杂的总体情况。
在普通的Python和更快的编译版本中，从普通的解释器运行时内部运行相同的代码。
Numba解析代码，然后根据输入以实时方式编译代码。例如，根据输入是u64数组还是浮点数组，您将获得不同版本的代码。
Numba还可以针对CPU以外的运行时；例如，您可以在GPU上运行代码。此外，上面的例子只是Numba最简单的使用模式；文档中还介绍了更多功能。
第一次调用用Numba修饰的函数时，它需要生成适当的机器代码，这可能需要一些时间。例如，我们可以使用IPython的%time命令来测量运行Numba修饰函数所需的时间：
[1]：来自numba import njit[2]：@njit…：def add（a，b）：a+b在[3]：%时间add（1，2）CPU时间：用户320毫秒，系统117毫秒，总计：437毫秒墙壁时间：207毫秒在[4]：%时间add（1，2）CPU时间：用户17微秒，系统0纳秒，总计：17微秒墙壁时间：24.3微秒在[5]：%时间add（1，2）CPU时间：用户8微秒，系统：2微秒，总计：10微秒壁时间：13.6微秒
第一次调用非常慢（毫秒而不是微秒），因为它需要编译代码；之后，它运行得很快。
这是每种投入的一次性成本。例如，如果我们通过浮动，我们将不得不再次支付：
在[8]：%时间添加（1.5,2.5）CPU时间：用户40.3毫秒，系统：1.14毫秒，总计：41.5毫秒墙壁时间：41毫秒在[9]：%时间添加（1.5,2.5）CPU时间：用户16微秒，系统：3微秒，总计：19微秒墙壁时间：26微秒
没有理由使用Numba来添加两个数字，但鉴于函数的作用非常小，这很好地说明了不可避免的一次性编译开销。
Numba重新实现了Python的一个子集和NumPy API的一个子集。这会导致潜在的问题：
有些功能在Python语言和NumPy API中都不受支持。
此外，当Numba未能编译某些代码时，我的经验是，错误消息往往很难理解。
如果您可以专门使用fast NumPy或Scipy API，那么就可以用Python编写代码，并获得低级编译语言的优势和速度。在Python中，有时需要恢复为慢速for循环，这将失去很多性能优势。
你可以直接用低级语言编写代码；这意味着您可以优化所有代码路径，但现在您将使用另一种语言。
有了Nuba，您可以从常规Python中快速获得循环代码，但您只能使用有限的语言特性和NumPy API。
Numba最棒的一点就是它很容易尝试。所以，每当你有一个慢循环做一些数学，给麻巴一个旋转；如果运气好的话，它只需要两行代码就可以加快速度。
用于生产的Docker包装非常复杂，有多达70多个最佳实践需要纠正。你需要小的图像、快速的构建，以及Python应用程序的安全运行。
通过使用Python on Docker生产手册，快速学习最佳实践。
注册我的时事通讯，加入4900多名Python开发人员和数据科学家的行列，学习实用工具和技术，从Docker打包到测试，再到Python最佳实践，每周在你的收件箱中免费发布一篇新文章。