Cython学习笔记1：利用Cython加速Python运行速度

Cython

Cython 是一个用于将 Python 代码转换为 C 语言扩展模块的编程语言。它允许你在 Python 中编写 C 风格的代码，从而提高性能，尤其是在需要大量计算的情况下。通过将 Python 代码与 C 代码混合使用，Cython 既保留了 Python 的简洁性，又能提升程序的执行速度。

Cython 的核心特点：

1. 提高性能：Cython 可以将 Python 代码编译成 C 语言代码，然后生成高效的 C 扩展模块。它适用于需要频繁计算的任务，尤其是数值计算和循环处理。
2. 与 C 代码交互：Cython 允许直接调用 C 函数和访问 C 数据结构，从而减少了 Python 和 C 之间的接口调用开销。
3. 简化 C 接口：与直接使用 C 语言不同，Cython 通过 Python 风格的语法简化了 C 接口的使用，开发者可以快速将 Python 代码提升到 C 代码的性能。
4. 无缝集成：Cython 代码可以与现有的 Python 代码无缝集成，开发者不需要重写整个程序，通常只需要优化性能瓶颈部分。

利用Cython加速Python运行速度

以计算圆周率 π 为例子，使用Nilakantha 级数来计算 π 值，计算公式如下：

1. Cython加速Python运行速度原理

把 python 代码转化为 c 语言代码，然后再编译成动态链接库，最后使用 python 程序调用这个库

2. 不使用Cython

创建 2 个 .py文件，fun.py 和 Nilakantha_main.py

fun.py 用于写计算的函数
Nilakantha_main.py 用于调用函数，查看结果和运行时间

fun.py代码如下

def calculate_pi(count: int) -> float:pi = 3.0sign = 1for i in range(2, count * 2, 2):term = sign * 4.0 / (i * (i + 1) * (i + 2))pi += termsign *= -1return pi

Nilakantha_main.py代码如下

import time
import fundef main():start_time = time.time()print(fun.calculate_pi(20_000_000))end_time = time.time()print('Time:', end_time - start_time)if __name__ == '__main__':main()

运行Nilakantha_main.py文件后，结果如下：

3.141592653589787
Time: 4.7696967124938965

这段代码设置了迭代次数为2千万次，最后耗时4.76秒
下面使用cython加速

3. 使用Cython加速

（1）使用pip安装 cython 和 setuptools 库

使用如下命令进行安装，使用清华镜像源，这样速度更快

pip install cython setuptools -i https://pypi.tuna.tsinghua.edu.cn/simple

安装好后再安装就会出现下面的结果

（2）安装c语言编译器

下面的c语言编译器安装一款就可以了，博主是Windows11系统，安装的是Visiual Studio 2022

1. GCC (GNU Compiler Collection)
2. Clang
3. Microsoft Visual C++ (MSVC)
4. MinGW (Minimalist GNU for Windows)

（3）创建要编译为动态链接库的.py文件

新建一个名为fun_compile.py的文件，用于将它最后编译为动态链接库，让 python 程序调用
fun_compile.py代码如下

# cython: language_level=3
def calculate_pi(count: int) -> float:pi = 3.0sign = 1for i in range(2, count * 2, 2):term = sign * 4.0 / (i * (i + 1) * (i + 2))pi += termsign *= -1return pi

# cython: language_level=3

这一行代码的作用是：指示 Cython 编译器使用 Python 3 语法的指令，告诉 Cython 如何解析和编译 Python 代码，确保代码遵循 Python 3 的语法规则，而不是 Python 2

（4）创建setup.py

setup.py 是 Python 项目中用于打包和分发代码的脚本，它包含了项目的元数据和配置，用于指导 Python 工具（setuptools）如何构建、安装和分发项目。

setup.py中的代码如下

from Cython.Build import cythonize
from setuptools import setupsetup(ext_modules=cythonize(["fun_compile.py"]),
)

fun_compile.py是编译为动态链接库的 python 代码

（5）把.py转化为库文件

当前目录下的文件如下展示

在此目录下，执行命令

python setup.py build_ext --inplace

过程展示如下

运行完成后，目录里会多出一个 .c 文件和一个库文件

（6）python程序调用库

修改Nilakantha_main.py，导入fun_compile，如果既存在fun_compile.py，也存在fun_compile.py产生的库，会优先调用动态链接库。代码如下：

import time
import fun
import fun_compiledef main():start_time = time.time()print(fun.calculate_pi(20_000_000))end_time = time.time()print('Time:', end_time - start_time)start_time = time.time()print(fun_compile.calculate_pi(20_000_000))end_time = time.time()print('Time:', end_time - start_time)if __name__ == '__main__':main()

运行结果如下：

可以看到确实加速了

（7）annotate参数

修改setup.py，加入一个参数annotate=True

from Cython.Build import cythonize
from setuptools import setupsetup(ext_modules=cythonize(["fun_compile.py"], annotate=True),
)

然后执行命令

python setup.py build_ext --inplace

结果会多出来一个.html文件

annotate=True 参数的作用是：生成 Cython 编译时的注释文件，用于查看 Cython 将 Python 代码转换为 C 代码的详细过程和每一步的性能分析。

通过浏览器打开这个.html文件

黄色线条的代码表示翻译后的代码依赖 python 代码，颜色越深，依赖越强
点击“+”开头的行，可查看 Cython 为其生成的 c语言 代码

点开红色框的这一行，可以看到这行代码都是用 python实现的

如果想让这段代码不都用 python 来实现，可以给其中的变量添加类型，这就是这段代码没有用c语言实现的原因，因为cython不知道变量的类型。

（8）定义变量的类型加速python运行速度

修改fun_compile.py文件，代码如下：

# cython: language_level=3
import cythondef calculate_pi(count: int) -> float:pi = 3.0sign = 1for i in range(2, count * 2, 2):term = sign * 4.0 / (i * (i + 1) * (i + 2))pi += termsign *= -1return pidef calculate_pi_annotated(count: int) -> float:pi: cython.double = 3.0sign: cython.int = 1i: cython.intfor i in range(2, count * 2, 2):term: cython.double = sign * 4.0 / (i * (i + 1) * (i + 2))pi += termsign *= -1return pi

重新编译

python setup.py build_ext --inplace

修改Nilakantha_main.py，代码如下：

import time
import fun
import fun_compiledef main():start_time = time.time()print(fun.calculate_pi(20_000_000))end_time = time.time()print('Time:', end_time - start_time)start_time = time.time()print(fun_compile.calculate_pi(20_000_000))end_time = time.time()print('Time:', end_time - start_time)start_time = time.time()print(fun_compile.calculate_pi_annotated(20_000_000))end_time = time.time()print('Time:', end_time - start_time)if __name__ == '__main__':main()

运行后结果如下

可以看到加入变量类型加入后的代码运行效果更快了。