Numba

Pythonでforをまわすような数値計算を行うとmatlabなどと同じで非常に遅い。
それを克服するためにpypyやcythonなどがある。しかし基本的にコードを書き換える必要があるので、もっと楽をしたい。

最近numbaというものを知った。ここのサンプルにある例だと、

from numba import autojit

@autojit

のおまじないだけで関数が劇的に早くなる。

少し、自分で例で実験してみた。
全球のSSTに対して、NINO3の相関をとるということをやってみる（これはnumbaの実験のために作った例であり、相関をとるだけならもっとエレガントな方法があるだろう）。

そのノートブックが
http://nbviewer.ipython.org/5396344

説明
(1) 図をプロットするためのおまじない。

(2) SSTアノマリとNINO3を読む関数を定義。
　　元データは　NOAA　OISST v2でmonthly dataのsst.mnmean.ncを使う。
　　データはPython Interface to GrADSを使って読む。
　　1982から2010年のデータから気候値からのanomaly（Bin Guan's GrADS Script Libraryのdeseasonを使った。古いバージョンを使ったので、今は使い方が違うかも知れない）とNINO3 SSTアノマリを定義し、返す。
　ここらへんは以前の記事も参照。
　/usr/local/lib/python2.7　なんちゃらというメッセージは私の環境でインストール上のゴミなので気にしないで。

(3) 上で定義した関数を呼んでいる。

(4)  時系列xと二次元時系列（水平2次元と時間の3次元）から2次元の相関係数を返す関数。

from numba import autojit
@autojit
の部分がnumba.

(5) ベンチマーク
　　この場合、5.7秒かかっている。
   
　　@autojitの代わりに@jit('f8[:,:](f8[:],f8[:,:,:])')としても速度はかわらなかった。
　　
　　もし上で@autojitを付けない場合、7.34秒だった。
　
　　つまりnumbaを使っていることで、確かに速くなっているが、劇的にではなかった。

　　これは、forでまわしている中身がプリミティブな式ではなくて、numpyの関数corrcoefであるからだろうか。

　　ちなみに、欠損値処理は何もやっていないので、warningが出ている。この場合はプロットするときに陸地のデータはマスクするので、これで構わない。

　　欠損値処理もできるma.corrcoefを使うとかなり遅くなる。
　　numbaを使わない場合で50.2秒、numbaを47.5秒だった。

(6)　実際に相関係数を求める。

(7)  land sea maskを読む関数

(8) land sea maskを読む

(9) プロット 　

　　エルニーニョに典型的な馬蹄形が見られる。インド洋ダイポールへの相関も見られる。


結論
今回試したケースでは、劇的というほどではないが、ちょっとした追加で、確かに速くはなった。場合によっては劇的に速くなる場合もあるだろう。。今後の進展に期待したい技術である。