我没有发现运行时间提高。我也尝试了更积极的编译参数设置：

@jit(nopython=True)
def closest_func(lat,lon,trkpts,func):
? ? d = 100000.0
? ? best = -1
? ? r = trkpts.index
? ? for i in r:
? ? ? ? lati = trkpts.ix[i,'Lat']
? ? ? ? loni = trkpts.ix[i,'Lon']
? ? ? ? md = abs(lat - lati) + abs(lon - loni)
? ? ? ? if d > md:
? ? ? ? ? ? #print d, dlat, dlon, lati, loni
? ? ? ? ? ? best = i
? ? ? ? ? ? d = md
? ? return best

这次运行代码时，出现一个错误：

看来，pandas 比 numba 处理代码更智能。

当然，我也能花时间修改数据结构，使 numba 能正确编译（compile）。可是，我为什么要这么干呢??用 numpy 写的代码运行的足够快了。反正，我一直在用 numpy 和 pandas 。为什么不继续用呢?

也有建议我用pypy。这当然有意义，不过...我用的是托管服务器上的 Jupyter?notebooks（注，在线浏览器的 python 交互式开发环境）。我用的是它提供的 python 内核，也即，官方的（regular）Python 2.7.x 内核。并没有提供 Pypy 选择。

也有建议用?Cython。好吧，如果我回头要编译代码?，那我干脆直接用 C 和 C++ 就好了。我用 python，是因为，它提供了基于 notebooks（注：网页版在线开发环境）的交互式特性，可以快速原型实现。这却不是 Cython 的设计目标。

下面关于Python的文章您也可能喜欢，不妨看看：

英文原文：Python Is Not C