金融大数据分析 Python 第八章 高性能学习笔记

• 第8章 高性能的Python

  • 8.1 Python的通用性与运行效率

  • 8.2 内存结构与执行效能

  • 8.3 并行处理技术

    • 8.3.1 蒙特卡洛计算方法
    • 8.3.2 串行化运算

  • 8.4 多进程处理

  • 8.5 动态编译技术

    • 8.5.1 初步示例说明
    • 8.5.2 二项式期权定价模型

  • 8.6 借助Cython实现静态编译

  • 8.7 在GPU设备中生成随机数值

第8章 高性能的Python

多种高效能工具可用于提升Python代码的运行效率：
• Cython 能够将Python与C语言进行静态编译，实现混合编程模式。
• IPython.parallel 支持在本地环境或计算集群中对代码或函数进行并行处理。
• numexpr 专注于执行高速数值计算任务。
• multiprocessing 是Python标准库中用于实现本地并行计算的模块。
• Numba 可对CPU上的Python代码进行动态编译，以提高执行速度。
• NumbaPro 可针对多核CPU及GPU设备对Python代码进行动态编译优化。

设计一个便捷的函数，能够有条理地评估不同函数在相同或不同