以下のような処理を行いたい
def transfer_balls(box, mm):
# ボールをmm回シャッフルする
for i in range(mm):
# 箱を2つランダムに選ぶ（同じ箱を選ばないようにする）
flg = True
while flg:
x1, y1 = np.random.randint(0, 100, (2,))
x2, y2 = np.random.randint(0, 100, (2,))
if x1 == x2 and y1 == y2:
continue
break
nt = box[y2, x2]
n1 = box[y1, x1]
n2 = box[y2, x2]
# ボールを移動させる
if n1 - nt >= 1:
n1 -= nt
n2 += nt
else:
n2 = n2 + n1 - 1
n1 = 1
box[y1, x1] = n1
box[y2, x2] = n2
return box
箱をランダムに2つ選んでボールを移動させる、というシミュレーションを行いたい。
試行回数（mm）が100回程度なら良いのですが、これを100万回や1000万回にすると、めちゃくちゃ時間がかかってしまいます。
Numbaを使おう
どうやらNumbaを利用すると簡単に処理を高速化できるらしい。使い方↓
from numba import jit
@jit('（戻り値の型）(（引数1の型）,（引数2の型）,…)', nopython=True)
def hogehoge(bar, foo):
# 時間のかかりそうな処理
return fuga
戻り値と引数の型を指定してあげて、デコレータを書くだけです。簡単ですね。
型指定方法はこちらに記載してあります。
ちなみに2次元配列の場合は 型[:,:] 3次元配列の場合は 型[:,:,:] のように書いてあげると動作します。
今回は
戻り値：numpyの2次元配列（中身はfloat64）
引数1（box）：numpyの2次元配列（中身はfloat64）
引数2（mm）：int32
なので、以下のように記述します。
@jit('f8[:,:](f8[:,:],i4)', nopython=True)
def transfer_balls(box, mm):
###
return box
処理速度を計測
今回、mm = 400万 として計測してみました。
何もなし：147秒
jitあり：6秒
実に20倍近く早くなりました。正確に計測していませんが、mmを2500万にした場合、何もなしだと10～20分程度かかりましたが、jitありだと1分足らずで終わってしまいました。
簡単に処理速度を上げることができるので、Numbaオススメです。