现在问题算是解决了，自己来回答一波~
我的原先的函数内容大概是这样的：
解释一下：
#1的语句是一些有关于初始化的操作。
#update equations 大概是一个迭代更新L和R数组某元素的东西，但这种迭代不支持用一些Py的技巧来让它进行批量的处理。
那么问题出在哪儿了呢？
numba@jit其实是不支持list语句的！！！
而在#1语句里面写到了一些必须要用的list操作。所以我在notebook上跑的时候一直会报WARNING通知的，然而愚蠢的我在当时忽略了它的存在。
所以在那时，看似我加了@jit做修饰器，但其实
并没有
！！！
于是乎，一个比较显然的重构的想法就出来了。
跑通了之后，虽然还是比C++慢，但速度已经不会像当时一样不可容忍了。
关于其它的for内加速的方法：
-
@jit不说了，简单方便的一种方法，但是不支持list操作。
-
少在循环内调用大复杂度的函数。
-
然后cython，但可能需要重构代码之类的。
-
或者PyPy，但它是不支持numpy相关的东西的。
-
最后的最后，尽量做批量处理，充分发挥Py和numpy的优势！
最后吐槽一句，要不是必须用DL，我才**不用Python呢…
今天聊聊Python 3.0的Numba库的即时编译@jit（Just in Time)。故事背景：知乎某小透明提出的一个问题Python的多重for循环可以用什么办法克服其速度慢的缺陷（numba@jit除外）？最近在回看自己之前打的代码，发觉一份项目里的Python代码里面，有一个三重循环十分耗时间，使用numba的话提升效果并不明显，想问问大家如何去解决。大家一起来讨论下吧~这个循环是在迭代的更新两个矩阵内元素，算法内的迭代并不支持用矩阵思想来批量处理，从而达到加速的目的。Reply现在
对于某个城市的出租车数据，一天就有33210000条记录，如何将每辆车的数据单独拎出来放到一个专属的文件中呢？
思路很简单：
就是
循环
33210000条记录，将每辆车的数据搬运到它该去的文件中。
但是对于3000多万条数据，一个一个
循环
太消耗时间，我花了2个小时才搬运了60万数据，算算3000万我需要花费100个小时，也就需要4-5天。并且还需要保证这五天全天开机，不能出现卡机的事故。
因此，需要...
conda伪造
该软件包包含一些执行Quaternion操作的
numba
-
jit
编译函数以及一个方便的类Quaternion ，该类Quaternion提供了包装这些函数的便捷
方法
。
Quaternion行为就像含有四元一numpy的阵列，例如尊重numpy的广播操作，但没有真正模仿numpy.ndarray并实施了dtype 。
通过这种设计，您可以编写涉及提供的
jit
编译函数的任何
jit
编译函数，然后编写自己的类
方法
，以方便的方式调用这些函数（通过类继承）。
如果您不希望在编写的其他
Jit
编译函数中使用四元数，请查看以下软件包。
我知道并使用过的其他实现四元数的
Python
项目是：
：使用Numpy以纯
Python
编写。请注意，它们通常将真实
前情提要：
python
在处理高时间复杂度的双重for
循环
时候效率低，而多线程又不适合于计算密集的任务提速。昨天睡之前让电脑自己运行17000*17000的计算，结果跑了19000秒。
因此尝试寻求为
python
提速的解决方案。在那之前，我们先了解一下，为什么
python
这么慢？？？
python
为啥这么慢
首先可以了解
python
的运行原理，以下总结都来自于右边链接–> Linkkkkkkkkkkkk1，Linkkkkkkkkkk2,
Linkkkkkkkkkkk3
python
将py文件视为一个module，
python
的解释器在执行模块的时候将其编译成字节码对象 PyCodeObject，
利用内置函数：使用内置函数可以
加速
代码的执行，例如 map() 和 filter()。
避免不必要的
循环
：如果可以直接使用列表推导式或生成器表达式代替 for
循环
，则应该使用它们。
利用预先计算：如果可以预先计算某些值，则应该尽量预先计算。
减少
循环
次数：应该尽量减少
循环
的次数，例如，使用 while
循环
代替 for
循环
。
numba
Numba
通过及时编译机制（
JIT
）优化
Python
代码，
Numba
可以针对本机的硬件环境进行优化，同时支持CPU和GPU的优化，并且可以和Numpy集成，使
Python
代码可以在GPU上运行，只需在函数上方加上相关的指令标记，
如下所示：
import numpy as np
from timeit import default_timer as timer
from
numba
impor
包含5个文件适用于64位windows系统中
python
安装
numba
加速
1 pyphon 3.7 已经安装，且pycharm也已经安装
2 安装vs2015/2017/2019均可，然后运行VC
3 将上述whl文件运用批评分别安装，顺序依次为numpy、llvm、
numba
、import
4 至此在pycharm中file-setting-project-interpreter中可以看到所有已经都安装
5 安装完成，网上找使用
方法
Numba
Python
compiler for NumPy/SciPyPyCon 2012. Santa Clara, CA, USA. March 10, 2012Monday, March 12, 12NumPy Users• Want to be able to write
Python
to get fast
code that works on arrays and scalars
• Need access to a boat-load of C-extensions(NumPy is just the beginning)PyPy doesn’t cut it for us!Monday, March 12, 12Dynamic compilation
Python
FunctionNumPy RuntimeU
edUFu
ncsFu
xingM
ryFilt
ilter
对于某个城市的出租车数据，一天就有33210000条记录，如何将每辆车的数据单独拎出来放到一个专属的文件中呢？
思路很简单：
就是
循环
33210000条记录，将每辆车的数据搬运到它该去的文件中。
但是对于3000多万条数据，一个一个
循环
太消耗时间，我花了2个小时才搬运了60万数据，算算3000万我需要花费100个小时，也就需要4-5天。并且还需要保证这五天全天开机，不能出现卡机的事故。
因此，需要使用并行进行for
循环
的技巧：
由于3000万数据放到csv中导致csv打不开，因此我就把一个csv通过split软件将其切分成每份60万，共53个csv。
我原来的思路是读取文件夹，获取由每一个60
Python
在处理高时间复杂度的双重for
循环
时效率较低的原因有以下几点：
1. 解释型语言：
Python
是一种解释型语言，每行代码都需要被解释器逐行执行，相比编译型语言，执行效率较低。
2. 全局解释器锁（GIL）：
Python
的全局解释器锁限制了同一时间只能有一个线程执行
Python
字节码，这导致多线程在计算密集型任务上无法充分利用多核处理器的优势。
3. 动态类型：
Python
是一种动态类型语言，变量的类型在运行时才确定，这增加了解释器的负担和执行时间。
4. 内存管理：
Python
的内存管理机制也会对性能产生一定的影响。
为了提高
Python
双重for
循环
的执行效率，可以考虑以下几种解决方案：
1. 使用NumPy库：NumPy是
Python
的一个科学计算库，它提供了高性能的多维数组对象和相应的计算函数，可以用来替代
Python
的双重for
循环
，从而提高计算效率。
2. 使用并行计算库：可以使用并行计算库（如multiprocessing、concurrent.futures等）将任务分配给多个进程或线程并行执行，从而充分利用多核处理器的优势。
3. 使用Cython或
JIT
编译器：可以使用Cython将
Python
代码转换为C语言代码，或使用即时编译器（如PyPy）来提高执行效率。
4. 优化算法：对于复杂的计算任务，可以考虑优化算法，减少计算量或改进计算
方法
，从而提高执行效率。
