Numba 是一个针对 Python 的 即时编译（Just-In-Time, JIT）编译器，专为加速数值计算和科学计算代码设计。它通过将 Python 函数（尤其是涉及 NumPy 数组和循环的代码）转换为高效的机器码，显著提升运行速度，同时保持 Python 代码的简洁性。

核心特点

1. 零学习成本：无需编写 C/C++ 扩展或切换语言，仅通过装饰器（如 @njit）即可标记需要加速的函数。
2. 与 NumPy 深度集成：对 NumPy 数组操作有原生优化支持，能高效处理向量化和循环计算。
3. 支持 GPU 加速：通过 numba.cuda 模块可直接编写 GPU 并行代码（需 NVIDIA 显卡支持）。
4. 动态类型编译：根据输入数据类型动态生成优化后的机器码，适应不同数据场景。

适用场景

Numba 最适合数值密集型、循环多、计算逻辑重复的任务，例如： - 科学计算（如物理模拟、数学建模） - 金融量化（如期权定价、投资组合优化） - 数据处理（如自定义统计函数、特征工程） - 计算密集型的循环（如嵌套循环、条件判断多的计算）

基本用法示例

以下是一个简单的 Numba 加速示例（计算斐波那契数列）：

from numba import njit

# @njit 表示使用 Numba 的 JIT 编译（等价于 @jit(nopython=True)）
@njit
def fib(n):
    a, b = 0, 1
    for _ in range(n):
        a, b = b, a + b
    return a

# 测试性能
import time
start = time.time()
print(fib(100000))  # 输出第100000个斐波那契数
print("耗时：", time.time() - start)  # 通常比纯 Python 快几十到几百倍

• @njit 装饰器：开启“无 Python 模式”（nopython mode），强制将函数编译为纯机器码（不依赖 Python 解释器），性能接近 C 语言。
• 性能对比：对于上述示例，纯 Python 实现可能需要数秒甚至更久，而 Numba 加速后通常仅需几毫秒。

局限性

• 部分 Python 特性不支持：如原生字典（dict）、列表（list）的部分操作（除非使用 @jit 并允许 Python 模式）、类属性（class attribute）等。
• 类型敏感：函数输入类型需保持一致（Numba 会为不同类型缓存编译结果）。
• GPU 依赖：GPU 加速需安装 CUDA 工具包且仅支持 NVIDIA 显卡。

与其他加速方案对比

总结来说，Numba 是 Python 数值计算领域的“性能利器”，尤其适合快速优化现有代码，避免重写为 C/C++ 等底层语言的成本。