什么是赛顿？ Python以C的速度

Python以其成为最方便，功能最丰富，最实用的编程语言之一而闻名。执行速度？没那么多。

输入Cython。 Cython语言是Python的超集，可编译为C，根据手头的任务，其性能提升范围可从几个百分点到几个数量级。对于受Python本机对象类型限制的工作，提速不会很大。但是对于数值运算或任何不涉及Python自身内部的运算，其收益可能是巨大的。

[ 同样在InfoWorld上：如何在Python中使用asyncio ]

使用Cython，您可以绕过Python的许多本机限制或完全超越它们，而不必放弃Python的便捷性。在本文中，我们将介绍Cython背后的基本概念，并创建一个使用Cython加速其功能之一的简单Python应用程序。

将Python编译为C

Python代码可以直接调用C模块。这些C模块可以是通用C库，也可以是专门为与Python合作而构建的库。 Cython生成第二种模块：与Python内部通信的C库，可以与现有的Python代码捆绑在一起。

根据设计，Cython代码看起来很像Python代码。如果您向Cython编译器提供Python程序（都支持Python 2.x和Python 3.x），则Cython将按原样接受它，但是Cython的本机加速将不起作用。但是，如果您使用Cython的特殊语法中的类型注释修饰Python代码，则Cython将能够用快速的C等效项替换缓慢的Python对象。

请注意，Cython的方法是增量式的 。这意味着开发人员可以从现有的 Python应用程序开始，并通过对代码进行局部更改来加快它的速度，而不是从头开始重写整个应用程序。

这种方法与软件性能问题的本质相吻合。在大多数程序中，绝大多数CPU密集型代码都集中在几个热点上，这是Pareto原理的一种版本，也称为“ 80/20”规则。因此，Python应用程序中的大多数代码不需要进行性能优化，仅需几个关键部分。您可以将这些热点逐步转换为Cython，从而在最重要的地方获得所需的性能提升。程序的其余部分可以保留在Python中，以方便开发人员。

如何使用Cython

请考虑以下来自Cython文档的代码：

def f(x):    return x**2-x

def integrate_f(a, b, N):    s = 0    dx = (b-a)/N    for i in range(N):        s += f(a+i*dx)    return s * dx

这是一个玩具示例，它不是积分函数的非常高效的实现。作为纯Python代码，它很慢，因为Python必须在机器本地数字类型与其自身的内部对象类型之间来回转换。

现在考虑相同代码的Cython版本，并强调Cython的附加功能：

cdef double f( double x):    return x**2-x

def integrate_f( double a, double b, int N):    cdef int i     cdef double s, x, dx     s = 0    dx = (b-a)/N    for i in range(N):        s += f(a+i*dx)    return s * dx

如果我们为函数参数和函数主体中使用的变量（ double ， int等）明确声明变量类型，Cython会将所有这些变量转换为C。我们还可以使用cdef关键字定义主要在C语言中实现的函数可提高速度，尽管这些函数只能由其他Cython函数调用，而不能由Python脚本调用。（在上面的示例中，只能由另一个Python脚本调用integrate_f 。）

请注意，我们的实际代码更改了多少。我们要做的就是在现有代码中添加类型声明，以显着提高性能。

Cython的优势

除了能够加快您已经编写的代码的速度之外，Cython还具有其他一些优点：

使用外部C库可以更快

NumPy之类的Python包将C库包装在Python接口中，以使其易于使用。但是，通过这些包装在Python和C之间来回移动会减慢速度。 Cython允许您直接与基础库进行对话，而无需使用Python。（也支持C ++库。）

您可以同时使用C和Python内存管理

如果您使用Python对象，则它们与常规Python一样由内存管理和垃圾回收。但是，如果您要创建和管理自己的C级结构，并使用malloc / free与它们一起工作，则可以这样做。只要记得自己清理一下即可。

您可以根据需要选择安全性或速度

Cython通过装饰器和编译器指令（例如@boundscheck(False) ）自动执行C语言中常见问题的运行时检查，例如对数组的越界访问。因此，尽管可能以原始性能为代价，但Cython生成的C代码默认情况下比手动滚动的C代码安全得多。

如果您确信不需要在运行时进行这些检查，则可以在整个模块上或仅在某些选择的功能上禁用它们以提高速度。

Cython还允许您本地访问使用缓冲区协议直接访问存储在内存中的数据的Python结构（无需中间复制）。 Cython的内存视图使您可以高速处理这些结构，并以适合任务的安全级别进行工作。例如，可以以这种方式（快速）读取Python字符串基础的原始数据，而不必经过Python运行时（缓慢）。

Cython C代码可以受益于发布GIL

Python的全局解释器锁（GIL）在解释器中同步线程，从而保护对Python对象的访问并管理资源争用。但是GIL被广泛批评为性能更好的Python的绊脚石，尤其是在多核系统上。

如果您有一段代码没有引用Python对象并执行了长时间运行的操作，则可以with nogil:指令对其进行标记，以使其在没有GIL的情况下运行。这使Python解释器可以腾出时间做其他事情，并允许Cython代码使用多个内核（还有其他工作）。

Cython可以使用Python类型提示语法

Python具有类型提示语法，主要由短绒和代码检查器使用，而不是CPython解释器使用。 Cython具有自己的代码修饰自定义语法，但是在Cython的最新版本中，您还可以使用Python类型提示语法为Cython提供基本的类型提示。

Cython可用于遮盖敏感的Python代码

Python模块非常容易反编译和检查，但编译后的二进制文件却并非如此。在将Python应用程序分发给最终用户时，如果要保护其某些模块不受偶然监听，可以通过使用Cython进行编译来实现。但是请注意，这是用Cython的能力，它的预期功能而不是一个副作用 。

Cython局限性

请记住，Cython不是魔杖。它不会自动将所有棘手的Python代码实例转换为快速的C代码。要充分利用Cython，您必须明智地使用它并了解其局限性：

传统Python代码几乎没有加速

当Cython遇到Python代码时，它无法完全转换为C，它将代码转换为对Python内部的一系列C调用。这相当于将Python的解释器带出了执行循环，默认情况下，该解释器使代码适度提高15％到20％。注意，这是最佳情况。在某些情况下，您可能看不到性能改善甚至性能下降。

原生Python数据结构的加速很少

Python提供了许多数据结构-字符串，列表，元组，字典等。它们为开发人员提供了极大的便利，并且具有自己的自动内存管理功能。但是它们比纯C慢。

Cython允许您继续使用所有Python数据结构，尽管速度没有太大提高。同样，这是因为Cython只是在Python运行时中调用创建和操作这些对象的C API。因此，Python数据结构的行为通常类似于经过Cython优化的Python代码：您有时会得到提升，但只有一点点提升。为了获得最佳结果，请使用C变量和结构。好消息是Cython使与他们的合作变得容易。

Cython代码在“纯C”时运行最快

如果您在C中有一个标有cdef关键字的函数，并且其所有变量和对纯C的其他事物的内联函数调用都将以C可以运行的速度运行。但是，如果该函数引用任何Python本地代码，例如Python数据结构或对内部Python API的调用，则该调用将成为性能瓶颈。

幸运的是，Cython提供了一种发现这些瓶颈的方法：源代码报告可一目了然地显示您的Cython应用程序的哪些部分是纯C语言，哪些部分与Python交互。优化应用程序越好，与Python的交互越少。

为Cython应用程序生成的源代码报告。白色区域为纯C区域；黄色区域显示与Python内部的交互。经过充分优化的Cython程序将具有尽可能少的黄色。扩展后的最后一行显示了其对应的Cython代码下的C代码。

Cython NumPy

Cython改进了基于C的第三方数字运算库（如NumPy）的使用。由于Cython代码可编译为C，因此可以直接与这些库进行交互，从而消除了Python的瓶颈。

但是NumPy特别适合Cython。 Cython对NumPy中的特定结构具有本地支持，并提供对NumPy阵列的快速访问。 Cython可以按原样在常规Python脚本中使用相同的NumPy语法。

但是，如果要在Cython和NumPy之间创建最接近的绑定，则需要使用Cython的自定义语法进一步修饰代码。例如， cimport语句允许Cython代码在编译时查看库中的C级结构，以实现尽可能最快的绑定。

由于NumPy的使用如此广泛，因此Cython可以“开箱即用”地支持NumPy 。如果已安装NumPy，则只需在代码中声明cimport numpy ，然后添加其他修饰即可使用公开的功能。

Cython分析和性能

通过对任何代码进行概要分析并亲眼看到瓶颈所在，可以从任何代码中获得最佳性能。 Cython 为Python的cProfile模块提供了钩子，因此您可以使用Python自己的概要分析工具（例如cProfile ）来查看Cython代码的性能。

在所有情况下都有助于记住Cython并不是魔术，明智的现实性能实践仍然适用。您在Python和Cython之间来回穿梭的次数越少，应用程序运行的速度就越快。

例如，如果您有一个要在Cython中处理的对象的集合，则不要在Python中对其进行迭代并在每个步骤都调用Cython函数。 将整个集合传递到您的Cython模块并在那里进行迭代。该技术通常用于管理数据的库中，因此它是在您自己的代码中进行仿真的一个很好的模型。

我们之所以使用Python，是因为它为程序员提供了便利，并支持快速开发。有时程序员的生产力是以性能为代价的。使用Cython，只需付出一点点额外的努力就可以使您两全其美。

进一步了解Python

什么是Python？强大，直观的编程
什么是PyPy？更快的Python而无痛苦
什么是赛顿？ Python以C的速度
Cython教程：如何加速Python
如何聪明地安装Python
Python 3.8中最好的新功能
通过Poetry更好的Python项目管理
Virtualenv和venv：解释了Python虚拟环境
Python virtualenv和venv做和不做
Python线程和子流程说明
如何使用Python调试器
如何使用timeit来分析Python代码
如何使用cProfile来分析Python代码
开始使用Python进行异步处理
如何在Python中使用asyncio
如何将Python转换为JavaScript（然后再次转换）
Python 2 EOL：如何在Python 2结束后生存
每种编程需要12个Python
每个Python开发人员都有24个Python库
您可能会错过的7个出色的Python IDE
Python的3个主要缺点及其解决方案
比较了13个Python Web框架
4个Python测试框架可消除您的错误
6个您不想错过的Python新功能
5种用于掌握机器学习的Python发行版
8个出色的Python库用于自然语言处理

From: https://www.infoworld.com/article/3250299/what-is-cython-python-at-the-speed-of-c.html