python转cython_Cython的简单使用

Cython是一个快速生成Python扩展模块的工具，从语法层面上来讲是Python语法和C语言语法的混血，当Python性能遇到瓶颈时，Cython直接将C的原生速度植入Python程序，这样使Python程序无需使用C重写，能快速整合原有的Python程序，这样使得开发效率和执行效率都有很大的提高，而这些中间的部分，都是Cython帮我们做了，接下来简单说一下Cython的安装和使用方法

一、首先Cython官网地址是：http://cython.org/ 这里有cython的安装和开发文档，关于Cython的下载可以在pypi上直接下载安装包：https://pypi.python.org/pypi/Cython/ 由于是在Linux下安装使用，这里下载的是Cython-0.25.2.tar.gz，上传至linux执行如下步骤安装：

tar -xvzf Cython-0.25.2.tar.gz

cd Cython-0.25.2python setup.pyinstall

这样Cython模块就安装成功了

然后我们首先看一下cython的基本使用，首先 mkdir hello_pack && cd hello_pack 建立一个目录并且进入，然后编写一个hello.pyx的脚本，代码如下：

#coding=utf-8

defprint_hello(name):print "Hello %s!" % name

代码很简单，就是一个函数，然后编写一个setup.py，代码如下：

from distutils.core importsetupfrom distutils.extension importExtensionfrom Cython.Distutils importbuild_ext

ext_modules= [Extension("hello",["hello.pyx"])]

setup(

name= "Hello pyx",

cmdclass= {'build_ext': build_ext},

ext_modules=ext_modules

)

这里导入了Cython的模块，其中setup name指定模块的名称，然后执行编译命令：

python setup.py build_ext --inplace

编译完之后，看到当前目录下会生成两个文件，一个是hello.c一个是hello.so，hello.c就是转换而成的c代码，而hello.so就是我们需要的python经过Cython编译之后的模块，我们为了当前目录可被调用，建立__init__.py内容如下：

#coding=utf-8

from hello import *

然后执行 cd .. 回到上层目录，建立一个hello.py，代码如下：

#!/usr/bin/python

# coding=utf-8from hello_pack import hello

hello.print_hello("cython")

很简单，就是调用我们编译好的hello模块，然后执行里面的方法，现在直接执行hello.py，看到输出结果正常

那么现在，我们就完成了Cython的基本使用，其实setup.py编译脚本也可以写成如下这样：

from distutils.core importsetupfrom Cython.Build importcythonize

setup(

name='Hello pyx',

ext_modules=cythonize('hello.pyx')

)

这种写法更通用，编译的时候直接使用 python setup.py build 就可以了，注意不是install，执行install后会把模块复制到python系统目录下了；

执行完之后，会看到当前目录有一个build目录，然后进去会发现有如下两个目录：

第二个temp是编译过程中汇编生成的.o文件，第一个lib开头的目录中存放的就是hello.so文件，直接把这个文件拷贝出来就可以使用了，另外为了方便，运行脚本直接和so文件放在一个目录下就可以，直接使用import hello即可导入，也不用建立__init__.py了

二、以上就是基本的Cython使用，下面借助一个案例来说明Cython和Python程序有哪些性能方面的提升

首先我们编写一个compute.py，封装了两个计算的方法，代码如下：

#coding=utf-8

importmathdefspherical_distance(lon1, lat1, lon2, lat2):

radius= 3956x= math.pi/180.0a= (90.0 - lat1)*x

b= (90.0 - lat2)*x

theta= (lon2 - lon1)*x

distance= math.acos(math.cos(a)*math.cos(b)) + (math.sin(a) * math.sin(b) *math.cos(theta))return radius *distancedeff_compute(a, x, N):

s=0

dx= (x - a)/Nfor i inrange(N):

s+= ((a + i * dx) ** 2 - (a + i *dx))return s * dx

第一个方法可以计算地球表面任意两个经纬度之间的距离，这个方法使用了很多三角函数，这些三角函数由python的math模块提供；第二个方法就是纯数字的计算

那么现在编写一个执行脚本来调用函数，test.py代码如下：

#!/usr/bin/env python#coding=utf-8

importcomputeimporttime

lon1, lat1, lon2, lat2= -72.345, 34.323, -61.823, 54.826start_time=time.clock()

compute.f_compute(3.2, 6.9, 1000000)

end_time=time.clock()print "runing1 time: %f s" % (end_time -start_time)

start_time=time.clock()for i in range(1000000):

compute.spherical_distance(lon1, lat1, lon2, lat2)

end_time=time.clock()print "runing2 time: %f s" % (end_time - start_time)

代码就是分别执行100000次数字计算和距离计算，并打印之间，执行结果如下：

可以看到数字计算耗时0.33s，距离计算耗时1.34s，然后我们尝试直接用Cython模块进行编译

首先复制出来一份 cp compute.py compute1.pyx 然后编写setup1.py

from distutils.core importsetupfrom Cython.Build importcythonize

setup(

name='compute_module',

ext_modules=cythonize('compute1.pyx'),

)

写完之后直接执行 python setup1.py build 编译，编译完之后导入compute1.so这个模块，现在只需要修改头部import compute为import compute1 as compute这样能保证下面调用代码不变，然后执行，结果如下：

现在会发现时间比刚才快了一点，说明性能有所提升，然后继续进行优化，这次全部变量都使用静态类型，即变量类型提前定义，compute2.pyx代码如下：

#coding=utf-8

importmath

cpdef float spherical_distance(float lon1, float lat1, float lon2, float lat2):

cdef float radius= 3956cdef float pi= 3.14159265cdef float x= pi/180.0cdef float a,b,theta,distance

a= (90.0 - lat1)*x

b= (90.0 - lat2)*x

theta= (lon2 - lon1)*x

distance= math.acos(math.cos(a)*math.cos(b)) + (math.sin(a) * math.sin(b) *math.cos(theta))return radius *distancedeff_compute(double a, double x, int N):

cdef int i

cdef double s=0

cdef double dx= (x - a)/Nfor i inrange(N):

s+= ((a + i * dx) ** 2 - (a + i *dx))return s * dx

现在可以看到类型全部做了定义，在cython里面，类型定义使用cdef float这种方式进行；对于方法来说，如果模块内部相互调用那么同样使用cdef double这种的方式来定义，如果这个方法要在我们外部执行脚本中调用，那么要么是python原生方法不做任何修改，要么写成cpdef float这种类型的形式，方法定义类型可以提高效率，但是提高不大，但是变量静态类型可以极大的提高效率，原因是参与计算的主要是变量；假如一个函数被频繁调用，那么有必要使用cdef或者cpdef来定义；现在同样方法编译compute2模块，然后在test.py中调用，执行结果如下：

现在发现纯数字计算的时间几乎变成了0秒！而第二个用了0.81s，比刚才快了，但是似乎并不是很快，原因仔细想想会发现，这里面调用了很多三角函数，使用的还是python内置的math模块，这里可以用C语言的math.h来代替，所以再写一个compute3.pyx如下：

#coding=utf-8#import math

cdef extern from "math.h":

float cosf(float theta)

float sinf(float theta)

float acosf(float theta)defspherical_distance(float lon1, float lat1, float lon2, float lat2):

cdef float radius= 3956cdef float pi= 3.14159265cdef float x= pi/180.0cdef float a,b,theta,distance

a= (90.0 - lat1)*x

b= (90.0 - lat2)*x

theta= (lon2 - lon1)*x

distance= acosf(cosf(a)*cosf(b)) + (sinf(a) * sinf(b) *cosf(theta))return radius *distancedeff_compute(double a, double x, int N):

cdef int i

cdef double s=0

cdef double dx= (x - a)/Nfor i inrange(N):

s+= ((a + i * dx) ** 2 - (a + i *dx))return s * dx

这次我们屏蔽了自身的math模块，然后调用了C的头文件math.h，并引入了cosf,sinf,acosf，实际上这三个函数返回的都是float类型，和我们定义的一致，如果我们想使用double类型，那么应该直接使用cos,sin,acos函数，并且我们可以对这些函数再包装，这样cpdef就派上用场了，比如下面：

cdef extern from "math.h":

double cos(double)

double sin(double)

cpdef double tangent(double x):return sin(x)/cos(x)

比如这里定义了一个测试的tangent正切函数，就是上面这样写；同样我们现在编译compute3.pyx并测试，结果如下：

现在第一个仍然是接近于0s完成，而第二个三角函数换成C的之后，性能有的非常大的提升，可以说几乎接近于原生C语言的效率了，这样看来从Python到Cython性能得到了很大的优化，但是代码量确差别没有用C重写那么大

根据上面的案例，我们知道在数字，浮点数等计算中Cython可以极大的提高性能，而这方面多线程几乎不能提高任何性能，有时候反而会降低；但是对于io密集型的场合，用Cython基本上也没有性能上太大的提升，而多线程的将拥有更加出色的性能，所以Cython应该专注与计算方面的优化；总结一下也就是对于IO密集型应用，优化可以考虑使用多线程或者多进程方式，对于计算密集型的场合，遇到瓶颈时可以考虑使用Cython或者封装C相关的模块

最后，虽然Cython非常好用，但也不能疯狂的使用，推荐一句名言：我们应该忘记小的效率,过早的优化是一切罪恶的根源,有 97% 的案例如此。简单来说就是选择恰当的时机进行优化