Почему Python + Numba обгоняет C? Эксперимент с алгоритмом прогонки

Все знают, что C быстрее Python. Но мы провели эксперимент с алгоритмом прогонки и обнаружили, что Numba (JIT-компилятор для Python) обгоняет наивный C на 20–25%. Разбираемся, почему так происходит, и сравниваем точность float32/float64.

https://habr.com/ru/articles/1012122/

#Python #C #Numba #NumPy #производительность #алгоритмы #численные_методы #оптимизация #прогонка

https://blog.gslin.org/archives/2026/03/19/12941/%e5%be%88%e5%a4%9a-python-%e5%8a%a0%e9%80%9f%e7%9a%84%e6%96%b9%e6%b3%95/

很多 Python 加速的方法

#c #code #codon #compiler #cpython #cython #graalpy #jax #mojo #mypyc #native #numba #numpy #performance #pyo3 #pypy #python #rust #speed #taichi

I just released v1.1.0 of Complexitty, my little #Mandelbrot explorer for the #terminal. This release is all about an optional method of making it faster.

#python #programming #textual #numba

https://blog.davep.org/2026/02/28/complexitty-1-1-0.html

結局Pythonは遅いのか？を“最小ベンチ”で決着：プロファイル→ベクトル化→Numba
https://qiita.com/Seine_A_Shintani/items/fef850878d8c89bad47a?utm_campaign=popular_items&utm_medium=feed&utm_source=popular_items

#qiita #Python #numpy #パフォーマンス #Numba #プロファイリング

Currently playing with adding optional #Numba support to Complexitty; my #Mandelbrot plotter for the #terminal. The speedup is okay.

Given this zoom and position, on my M2 Mac mini, 0.8 seconds. With Numba: 0.2 seconds.

I should give it a spin on my M2 Pro mini.

Without Numba on my 2019 Intel MacBook Pro the same spot takes about 2 seconds.

#Python #programming

A few years ago, the #ROCm backend for @numba was removed. #TIL that AMD is now actively developing a HIP backend!

https://github.com/ROCm/numba-hip

#python #numpy #numba #gpu #amd

Python: Schneller als man denkt

Beginn einer Artikelserie zum Thema schneller Python Code. Eine Einführung mit einer Auflistung verschiedener Strategien die verglichen werden.

#Python #Cython #Numpy #Numba #Linux

https://gnulinux.ch/python-schneller-als-man-denkt

Бэктестинг торговых стратегий на Python с помощью Numba. Когда перевод расчетов на GPU действительно оправдан?

Бэктестинг — ключевой процесс в алгоритмической торговле. Он позволяет проверить стратегию на исторических данных, прежде чем запускать её в реальной торговле. Однако, чем больше данных и сложнее логика стратегии, тем дольше времени занимают вычисления. Особенно если стратегия анализирует тиковые данные и требуется протестировать множество комбинаций гиперпараметров стратегии, время вычислений может расти экспоненциально. В этой статье мы разберем, как реализовать бэктестинг на чистом Python, посмотрим сколько времени могут занимать вычисления, а также попробуем найти разные способы оптимизации. Python, как известно — это интерпретируемый язык, что означает, что код выполняется построчно во время исполнения программы, а не компилируется в машинный код заранее, как это происходит, например, в C или C++. Это делает разработку быстрее и удобнее, так как можно сразу видеть результаты выполнения кода и легко отлаживать программы. Но этот же факт, в свою очередь, приводит к тому, что Python заметно уступает в скорости более низкоуровневым языкам. К тому же Python использует динамическую типизацию, что требует дополнительных проверок и снижает производительность и если данных очень много, это может приводить к значительным сложностям, связанным с увеличением времени вычислений. Как же использовать ту легкость и скорость разработки Python и при этом сохранить адекватное время вычислений на больших объемах данных? В этой статье мы увидим, насколько перенос вычислений на GPU может увеличить производительность вычислений.

https://habr.com/ru/articles/893748/

#python #cuda #numba #gpu #backtesting #производительность