numba - TypingError:无法确定Numba类型的<class'builtin_function_or_method'>

Question

我有一个简单的功能来排名扑克手(手是字符串).

我打电话给它,rA,rB = rank(a),rank(b)这是我的实现.在没有@jit(nopython = True)的情况下运行良好,但有了它,它会失败:

   File "C:/Users/avi_na/Desktop/poker.py", line 190, in <module>
        rA,rB = rank(a),rank(b)

      File "C:\Continuum\anaconda3\lib\site-packages\numba\dispatcher.py", line 344, in _compile_for_args
        reraise(type(e), e, None)

      File "C:\Continuum\anaconda3\lib\site-packages\numba\six.py", line 658, in reraise
        raise value.with_traceback(tb)

TypingError: cannot determine Numba type of <class 'builtin_function_or_method'>

---

from numba import jit
from numba.types import string

@jit(nopython=True)
def rank(hand):
#    assert(len(hand) == 5)
    rank = "N/A"

    p = pd.Series([h[0] for h in hand]).value_counts()
    v = sorted(set(pd.Series([h[0] for h in hand]).values), reverse=True)
    s = sorted(hand, key=lambda k:k[0])    
    z = zip(s,s[1:])

    if all(x[0]==y[0]-1 for x,y in z):
        rank = "Straight "

    if len(set([h[1] for h in hand])) == 1:
        rank += "Flush "

    if "Straight Flush" in rank and sum([h[0] for h in hand]) == sum([10,11,12,13,14]):
        rank = "Royal Flush"

    elif p[p.idxmax()] == 4:
        rank = "4 Of A Kind : %d" % p.idxmax()

    elif p[p.idxmax()] == 3 and p[p.idxmin()] == 1:
        rank = "3 Of A Kind : %d" % p.idxmax()

    elif p[p.idxmax()] == 3 and p[p.idxmin()] == 2:
        rank = "Full House : %d,%d" % (p.idxmax(), p.idxmin())

    elif p[p.idxmax()] == 2:
        max2 = p.nlargest(2)

        if list(max2) == [2,2]:
            max2 = sorted(list(max2.keys()), reverse=True)
            rank = "2 Pairs : %d,%d" % (max2[0],max2[1])
        else:
            rank = "Pair : %d" % p.idxmax()

    else:
        rank = "High Card : %d" % v[0]


    return rank

Answer 1

您的代码中的Pandas和其他几个函数调用将无法使用nopython=True.在nopython中可以与numba jit一起使用的可用库是相当有限的(几乎只有numpy数组和某些python内置库).您可以在此处找到更多信息

Answer 2

根据弃用建议，不使用装饰器编译的代码在没有装饰器的情况下@jit(nopython=True)可能会更快，这是非常合理的。

有趣的是，我发现我在这里研究的这个简单例子在简单地将 Pandas 列直接传递给我的函数以向量化操作时速度明显更快，而不是使用 numba 并为 numpy 数组支付列的方法开销。

但是，它继续按照预期的参数来清除此警告

如果存在@jit装饰器有好处，那么为了将来的证明，请提供关键字参数forceobj=True以确保函数始终以对象模式编译。