一个纯python库，用于使用numba进行基准测试的可伸缩数字
fastats的Python项目详细描述
#快速
[！[构建状态]（https://travis-ci.org/fastats/fastats.svg？branch=master）（https://travis ci.org/fastats/fastats）
[！[生成状态（Windows）]（https://ci.appveyor.com/api/projects/status/9ufvyclit358sfb8/branch/master？svg=true）（https://ci.appveyor.com/project/pawroman/fastats/branch/master）
[！[codecov]（https://codecov.io/gh/fastats/fastats/branch/master/graph/badge.svg）（https://codecov.io/gh/fastats/fastats）
[！[科达西徽章]（https://api.codacy.com/project/badge/grade/2199521147834D58B9F0E8E155C97309）（https://www.codacy.com/app/dave.willmer/fastats？utm_source=github.com&；utm_medium=referral&；utm_content=fastats/fastats&；utm_campaign=badge_grade）
[！[许可证]（https://img.shields.io/badge/license mit blue.svg）（https://opensource.org/licenses/mit）
一个纯python库，用于基准化、可伸缩的数字，使用[numba]构建（https://numba.pydata.org/）。
[fastats邮件列表]（https://groups.google.com/forum/！！论坛/快速学习）
--
数据越来越大，越来越复杂，代码很难扩展到这些级别。代码越来越大，越来越复杂，开发人员很难扩展到这些级别。
更容易调试。
``fastats`（即fast stats）试图通过在公共函数中使用线性代数进行性能优化，使用[numba]（https://numba.pydata.org/）
从[anaconda]（https://www.anaconda.com/）jit编译优化的python code到
矢量化的本机代码，而在纯python模式下运行进行调试则很简单。
对于单调函数，我们可以使用newton-raphson解算器来查找根：
`` python
从fastats导入newton-raphson
def my-raphson（x）：
返回x**3-x-1
result=newton-raphson（0.025，1e-6，root=my-func）
````
这使用[numba]（https://numba.pydata.org/）在后台jit将python代码编译为本地代码，并在需要时使用fastats转换调用"my_func"。
但是，我们通常希望使用fast函数并将其应用于大型数据集，因此"fastats"允许您将优化的函数作为调用返回table:
`` python
newton opt=newton raphson（0.025，1e-6，root=my_func，return_callable=true）
result=newton opt（0.03，1e-6）
````
.03，1e-6）
785 ns±8.2 ns/循环（7次运行的平均值±标准偏差，每次运行1000000个循环）
````
ewton（my_func，x0=0.03，tol=1e-6）
25.6μs±954ns/圈（平均值±标准偏差，7次，每次10000圈）
````
python/lua/ruby等大多数高级语言都有一个正式的c-api，它允许我们轻松地"下拉"到本机代码（如上面所示的scipy）。然而，这不仅费时、容易出错而且让许多开发人员感到不快，而且从上面的例子中可以看出，专门的C扩展不会自动扩展到更大的数据。
通过使用[numba]（https://numba.pydata.org/）来JIT编译整个函数输入输出n降到本机代码，我们可以快速地扩展到更大的数据大小，而不必离开python的简单性。
秘密在于处理函数参数。
这对于专业图书馆来说很有效，但是在这个"大"数据的世界里，下一步通常是"现在我想将这个函数应用到这个1000万个项目的数组中"。这就是c扩展/本机库技术的失败之处。
c扩展到高级语言必然受到定义的api的限制，即，您可以编写一个c函数来获取3个浮点或3个浮点数组，但处理任意输入是非常困难的。
``fastats``允许您将函数作为参数传递到``numba``中，从而抽象出特定的循环或并发结构，从而加快、更干净的开发时间和更快的执行时间。
python>；=仅限3.5。强烈建议使用python 3.6或更新版本。
/>有关测试要求，请查看[.travis.yml]（.travis.yml）或[.appveyor.yml]（.appveyor.yml）。
####发起人
<；img src="http://pico-software.com/images/picosoftware.png"width="300"alt="pico software"title="pico software"/>；
[！[构建状态]（https://travis-ci.org/fastats/fastats.svg？branch=master）（https://travis ci.org/fastats/fastats）
[！[生成状态（Windows）]（https://ci.appveyor.com/api/projects/status/9ufvyclit358sfb8/branch/master？svg=true）（https://ci.appveyor.com/project/pawroman/fastats/branch/master）
[！[codecov]（https://codecov.io/gh/fastats/fastats/branch/master/graph/badge.svg）（https://codecov.io/gh/fastats/fastats）
[！[科达西徽章]（https://api.codacy.com/project/badge/grade/2199521147834D58B9F0E8E155C97309）（https://www.codacy.com/app/dave.willmer/fastats？utm_source=github.com&；utm_medium=referral&；utm_content=fastats/fastats&；utm_campaign=badge_grade）
[！[许可证]（https://img.shields.io/badge/license mit blue.svg）（https://opensource.org/licenses/mit）
一个纯python库，用于基准化、可伸缩的数字，使用[numba]构建（https://numba.pydata.org/）。
[fastats邮件列表]（https://groups.google.com/forum/！！论坛/快速学习）
--
数据越来越大，越来越复杂，代码很难扩展到这些级别。代码越来越大，越来越复杂，开发人员很难扩展到这些级别。
更容易调试。
``fastats`（即fast stats）试图通过在公共函数中使用线性代数进行性能优化，使用[numba]（https://numba.pydata.org/）
从[anaconda]（https://www.anaconda.com/）jit编译优化的python code到
矢量化的本机代码，而在纯python模式下运行进行调试则很简单。
对于单调函数，我们可以使用newton-raphson解算器来查找根：
`` python
从fastats导入newton-raphson
def my-raphson（x）：
返回x**3-x-1
result=newton-raphson（0.025，1e-6，root=my-func）
````
这使用[numba]（https://numba.pydata.org/）在后台jit将python代码编译为本地代码，并在需要时使用fastats转换调用"my_func"。
但是，我们通常希望使用fast函数并将其应用于大型数据集，因此"fastats"允许您将优化的函数作为调用返回table:
`` python
newton opt=newton raphson（0.025，1e-6，root=my_func，return_callable=true）
result=newton opt（0.03，1e-6）
````
.03，1e-6）
785 ns±8.2 ns/循环（7次运行的平均值±标准偏差，每次运行1000000个循环）
````
ewton（my_func，x0=0.03，tol=1e-6）
25.6μs±954ns/圈（平均值±标准偏差，7次，每次10000圈）
````
python/lua/ruby等大多数高级语言都有一个正式的c-api，它允许我们轻松地"下拉"到本机代码（如上面所示的scipy）。然而，这不仅费时、容易出错而且让许多开发人员感到不快，而且从上面的例子中可以看出，专门的C扩展不会自动扩展到更大的数据。
通过使用[numba]（https://numba.pydata.org/）来JIT编译整个函数输入输出n降到本机代码，我们可以快速地扩展到更大的数据大小，而不必离开python的简单性。
秘密在于处理函数参数。
这对于专业图书馆来说很有效，但是在这个"大"数据的世界里，下一步通常是"现在我想将这个函数应用到这个1000万个项目的数组中"。这就是c扩展/本机库技术的失败之处。
c扩展到高级语言必然受到定义的api的限制，即，您可以编写一个c函数来获取3个浮点或3个浮点数组，但处理任意输入是非常困难的。
``fastats``允许您将函数作为参数传递到``numba``中，从而抽象出特定的循环或并发结构，从而加快、更干净的开发时间和更快的执行时间。
python>；=仅限3.5。强烈建议使用python 3.6或更新版本。
/>有关测试要求，请查看[.travis.yml]（.travis.yml）或[.appveyor.yml]（.appveyor.yml）。
####发起人
<；img src="http://pico-software.com/images/picosoftware.png"width="300"alt="pico software"title="pico software"/>；
欢迎加入QQ群-->： 979659372
