相比 Python 代码， Cython 实际提升的性能有多大？

Ref: http://notes-on-cython.readthedocs.io/en/latest/std_dev.html

Example:

def pyStdDev(a):
mean = sum(a) / len(a)
return math.sqrt((sum(((x - mean)**2 for x in a)) / len(a)))

In summary:

================= ============ ================== =====================
Method Time (ms) Compared to Python Compared to Numpy
================= ============ ================== =====================
Pure Python 183 x1 x0.03
Numpy 5.97 x31 x1
Naive Cython 7.76 x24 x0.8
Optimised Cython 2.18 x84 x2.7
Cython calling C 2.22 x82 x2.7
================= ============ ================== =====================

rocksolid

2017-10-13 09:23:08 +08:00

@hanzhichao2000 Numpy 真是神器

hanzhichao2000

2017-10-13 09:38:43 +08:00

如果涉及数值计算的话，numba 可能用起来更方便，cython 毕竟还要显性配置些东西

justou

2017-10-13 09:56:11 +08:00

可以提升至 C/C++效率, 兼容性是 C/C++的兼容性(毕竟 cython 转译出来的就是.c/.cpp)

janxin

2017-10-13 09:56:43 +08:00

https://www.ibm.com/developerworks/cn/opensource/os-make-python-faster-julia/index.html

mckelvin

2017-10-13 14:29:20 +08:00

首先你要清楚程序的瓶颈在什么，这一阶段可以用 pyflame ( https://github.com/uber/pyflame ), systemtap( https://docs.python.org/3/howto/instrumentation.html) 等工具导出 flamegraph。如果是语言实现引起的瓶颈，那可以考虑上 Cython. 如果你的程序用标准的 cpython 运行，那 Cython 兼容性很好。

一般来说 Python 的 socket 慢，CPU 密集型计算也慢，这种情况就特别适合用 Cython 做胶水层，把瓶颈部分用 C 或 C++实现。至于能快多少，场景不同，实现也不同，不能一句话告诉你有多块，主要取决于你的 C++ / C 代码有多快。

abcdabcd987

2017-10-14 09:40:09 +08:00

https://abcdabcd987.com/cython/