数据科学家的常见工具--python调用C/C++

众所周知，python以简单闻名，以速度慢而臭名，而其慢的原因，无非就是以下3中:
1.GIL
2.解释型语言
3.动态类型

1.GIL是python的一个全局锁，使得python解释器每次只能运行一个线程的字节码，限制了运用多线程的能力（仅限于Cython）;
2.解释性语言没什么好说的，边解释边执行，运行速度肯定小于编译后在运行的语言；
3.由于python不用声明变量类型，有动态类型的机制，动态类型导致开销巨大，导致其速度慢。

本文就带领大家做个实验，分析使用原生python和python调用C/C++的运行时间对比分析，分析的例子是计算矩阵按行的平均值，数据的本质也就是
矩阵嘛，看看是否像大家所说的python有那么慢。

---

1. 原生python方式，文件命名为row_mean_py.py

    import numpy as np
   
    def row_mean_py(A):
    	out = np.zeros(A.shape[0])
    	for i in range(A.shape[0]):
    		for j in range(A.shape[1]):
    			out[i] = out[i] + A[i,j] / A.shape[1]
    	return out
   
    def row_mean_py_raw(A):
    	return np.max(A,axis=1)
   

   其中函数row_mean_py是使用python自定义方式计算矩阵按行的平均值，row_mean_py_raw是使用python向量化方法计算。让我们来看一下运行时间对比。

   文件命名为row_mean_main.py

    imp