python numba

from numba import jit
import numpy as np
import time

# 使用 Numba 的 @jit 装饰器来加速函数执行
@jit(nopython=True)  # nopython 模式可以进一步提高性能
def sum2d(arr):
    M, N = arr.shape
    result = 0.0
    for i in range(M):
        for j in range(N):
            result += arr[i, j]
    return result

# 示例数组
arr = np.random.rand(1000, 1000)

# 测试不使用 Numba 的情况
start_time = time.time()
sum_without_numba = np.sum(arr)
end_time = time.time()
print(f"Without Numba: {end_time - start_time:.6f} seconds")

# 测试使用 Numba 的情况
start_time = time.time()
sum_with_numba = sum2d(arr)
end_time = time.time()
print(f"With Numba: {end_time - start_time:.6f} seconds")

解释说明：

1. 导入必要的库：我们导入了 numba、numpy 和 time 库。numba 用于加速 Python 代码，numpy 用于生成和操作数组，time 用于测量代码执行时间。
2. 定义并装饰函数：使用 @jit(nopython=True) 装饰器来加速 sum2d 函数的执行。nopython=True 表示在编译时尽量避免使用 Python 解释器，从而获得更好的性能。
3. 创建示例数组：使用 numpy 创建一个 1000x1000 的随机数组 arr。
4. 测试性能：分别测试不使用 Numba 和使用 Numba 的情况下计算数组元素总和的时间，并输出结果。

通过这个示例，可以看到 Numba 在处理数值计算时能够显著提高性能。