python高性能编程_python高性能编程之Cython篇 第一章

第一节 cython的潜能

•Cython是一种编程语言，它将Python与C和C ++的静态类型系统相结合。

•Cython是一个将Cython源代码转换为高效的C或C ++源代码的编译器。然后可以将此源代码编译为Python扩展模块或独立可执行文件。

Cython的强大功能来自它结合了Python和C的方式：感觉就像Python一样，同时提供了对C语言的轻松访问.Cython位于高级Python和低级C之间;有人可能会称它为克里奥尔语编程语言。但是Python和类C语言是如此不同 - 为什么要将它们结合起来？正是因为他们的差异是互补的。 Python具有高级，动态，易学和灵活的特点。然而，这些积极因素带来了成本 - 因为Python是动态的并且是解释的，它可能比静态类型编译慢几个数量级。另一方面，C是广泛使用的最古老的静态类型编译语言之一，因此编译器已经有近半个世纪的时间来优化其性能。 C非常低级且非常强大。与Python不同，它没有很多安全措施，并且很难使用。

两种语言都是主流，但鉴于它们的不同，它们通常用于不同的领域。 Cython的美妙之处在于：它结合了Python的表现力和C的强劲的性能，同时写起来仍然感觉像Python。除了极少数例外，Python代码(版本2.x和3.x)已经是有效的Cython代码。 Cython在Python语言中添加了少量关键字，以利用C的类型，允许cython编译器生成有效的C代码。如果您已经了解Python并且对C或C ++有基本的了解，那么您将能够快速学习Cython。您不必学习另一种新的语言。我们可以将Cython视为一个介于python和c或c++中间的项目。如果将Python编译为C语言是Cython的反面，那么将C或C ++与Python接口就是它的正面。我们可以从需要更好性能的Python代码开始，或者我们可以从需要优化Python接口的C(或C ++)代码开始。为了加速Python代码，Cython使用可选的静态类型声明编译Python源代码，以根据算法实现大规模的性能改进。要使用Python连接C或C ++库，我们可以使用Cython与外部代码进行交互并创建优化的包装器。这两种功能 - 编译Python和与外部代码接口 - 都可以很好地协同工作，每个功能都是Cython有用的重要组成部分。

(补充：

Cython和CPython的区别

Cython经常与CPython混淆(请注意P)，但两者是非常不同的。

CPython是标准和最广泛使用的Python实现的名称。

CPython的核心是用C语言编写的，CPython中的C用于区别于Python语言规范和其他语言的Python实现，例如Jython(Java)，IronPython(.NET)和PyPy(Python中实现的))。 CPython为Python语言提供了一个C级接口;该接口称为Python / C API。 Cython广泛使用这个C接口，因此Cython依赖于CPython。Cython不是Python的另一个实现 - 它需要CPython运行时来运行它生成的扩展模块。

)

我们来看一个例子吧。

第二节 比较Python，C和Cython

考虑一个简单的Python函数fib，它计算第n个Fibonacci数：1

def fib(n):

a,b=0.0,1.0

for i in range(n):

a,b=a+b,a

return a

正如在介绍中提到的，这个Python函数已经是一个有效的Cython函数,在Python和Cython中它具有相同的行为。 我们很快就会看到我们可以为fib添加基于Cython的特定语法来提高其性能。

下面是纯C语言的实现：

double cfib(int n){

int i;

double a=0.0,b=1.0,tmp;

for(i=0;i

tmp=a;a=a+b;b=tmp;

}

return a;

}

我们在C版本中使用double并在Python版本中以float进行比较直接并删除与C数据类型的整数溢出相关的任何问题。想象将C版本中的类型与Python版本中的代码混合。结果是一个静态类型的Cython版本：

def fib(int n):

cdef int i

cdef double a=0.0,b=1.0

for i in range(n):

a,b=a+b,a

return a

如前所述，Cython和Python代码非常类似，因此我们未经修改的Python fib函数也是有效的Cython代码。转换动态类型的Python版本 为静态类型的Cython版本，我们使用cdef 的Cython语句来声明静态类型的C变量i，a和b。即使对于之前没有看过Cython代码的读者，也是非常直观好理解的。具体的性能比较见下表：注意，这里分别进行了0和90的斐波那契比较，可以看出fib(90)的计算量下cython，纯c以及c扩展的性能非常接近基本一样

在表1-1中，第二列的测量fib(0)和第三列的运行时间

测量是其它三种方式相对于Python的fib(0)的加速。因为fib的参数控制循环迭代的次数，所以fib(0)不会进入Fibonacci循环，因此它的运行时间是语言运行时和函数调用开销的合理度量。(emmm。。。实际上在工业级项目上这一点非计算型的开销 时间还是可以接受的)

第四和第五列测量fib(90)的运行时和加速，其执行循环90次。调用开销和循环执行运行时都有助于其运行时。第六和第七列测量fib(90)运行时和fib(0)运行时之间的差异以及相对加速。这种差异仅仅是循环运行时的近似值，消除了运行时和调用开销。可以看到纯C，C extension以及cython的表现非常类似。

Table 1-1有四行：

纯Python

第一行(在标题之后)测量纯Python版本的fib的性能，并且如预期的那样，在所有类别中，它具有显着的最差性能。特别是，fib(0)的调用开销在该系统上超过半微秒。 fib(90)中的每个循环迭代需要将近150纳秒; Python留下了很大的改进空间。

纯C.

第二行测量纯C版本的fib的性能。在这个版本中，没有与Python运行时的交互，因此最小化 了调用开销;这也意味着它无法从Python中使用。这个版本提供了一个我们可以合理地期望从简单的序列fib函数中获得最佳性能。与Python相比，fib(0)值表示C函数调用开销最小(2纳秒)，并且fib(90)运行时(164纳秒)比此特定系统上的Python快近80倍。

手写C扩展

第三行测量Python 2的手写C扩展模块

扩展模块需要几十行C代码，其中大部分都是调用Python / C API的样板。从Python调用时，扩展模块必须将Python对象转换为C数据，计算C中的Fibonacci数，然后进行转换结果返回Python对象。它的调用开销(fib(0)列)相应地大于纯C版本，后者不必从Python对象转换。因为它是用C语言编写的，所以对于fib(0)，它比纯Python快三倍。它还为fib(90)提供了一个很好的30倍加速。(https://blog.csdn.net/fitzzhang/article/details/79212411 找到一篇关于c-extension的介绍， 对于python中的C extension并没有太多研究，大概的理解就是用C来写后端的逻辑然后转化为dll这类文件再用python导入)

大概长这样，之后还要进行编译和扩展，具体的可以参考上面的链接里的介绍

#include

static PyObject *module_func(PyObject *self, PyObject *args) {

/* Do your stuff here. */

Py_RETURN_NONE;

}

static PyMethodDef module_methods[] = {

{ "func", (PyCFunction)module_func, METH_VARARGS, NULL },

{ NULL, NULL, 0, NULL }

};

PyMODINIT_FUNC initModule() {

Py_InitModule3(Module, module_methods, "docstring...");

}

---------------------

作者：fitzzhang