Performance cython跑得比numpy慢，用于距离计算

我正在努力学习赛昂；然而，我一定是做错了什么。这段测试代码的运行速度比我的矢量化numpy版本慢50倍左右。谁能告诉我为什么我的cython比python慢？谢谢

代码计算R^3中的点loc和R^3中的点阵列points之间的距离

import numpy as np
cimport numpy as np
import cython
cimport cython

DTYPE = np.float64
ctypedef np.float64_t DTYPE_t
@cython.boundscheck(False) # turn of bounds-checking for entire function
@cython.wraparound(False)
@cython.nonecheck(False)
def distMeasureCython(np.ndarray[DTYPE_t, ndim=2] points, np.ndarray[DTYPE_t, ndim=1] loc):
    cdef unsigned int i
    cdef unsigned int L = points.shape[0]
    cdef np.ndarray[DTYPE_t, ndim=1] d = np.zeros(L)
    for i in xrange(0,L):
        d[i] = np.sqrt((points[i,0] - loc[0])**2 + (points[i,1] - loc[1])**2 + (points[i,2]  - loc[2])**2)
    return d

这是与之比较的numpy代码

from numpy import *
N = 1e6
points = random.uniform(0,1,(N,3))
loc = random.uniform(0,1,(3))

def distMeasureNumpy(points,loc):
    d = points - loc
    d = sqrt(sum(d*d,axis=1))
    return d

---

numpy/python版本大约需要44毫秒，cython版本大约需要2秒钟。我正在MacOSX上运行python 2.7。我正在使用ipython的%timeit命令对这两个函数计时

对

np.sqrt

的调用是一个Python函数调用，它正在破坏您的性能您正在计算标量浮点值的平方根，因此您应该使用C数学库中的

sqrt

函数。以下是您的代码的修改版本：

import numpy as np
cimport numpy as np
import cython
cimport cython

from libc.math cimport sqrt

DTYPE = np.float64
ctypedef np.float64_t DTYPE_t
@cython.boundscheck(False) # turn of bounds-checking for entire function
@cython.wraparound(False)
@cython.nonecheck(False)
def distMeasureCython(np.ndarray[DTYPE_t, ndim=2] points,
                      np.ndarray[DTYPE_t, ndim=1] loc):
    cdef unsigned int i
    cdef unsigned int L = points.shape[0]
    cdef np.ndarray[DTYPE_t, ndim=1] d = np.zeros(L)
    for i in xrange(0,L):
        d[i] = sqrt((points[i,0] - loc[0])**2 +
                    (points[i,1] - loc[1])**2 +
                    (points[i,2] - loc[2])**2)
    return d

下面演示了性能改进。您的原始代码位于模块

检查速度\u original

中，修改后的版本位于

检查速度

中：

In [11]: import check_speed_original

In [12]: import check_speed

设置测试数据：

In [13]: N = 10**6

In [14]: points = random.uniform(0,1,(N,3))

In [15]: loc = random.uniform(0,1,(3,))

原始版本在我的计算机上需要1.26秒：

In [16]: %timeit check_speed_original.distMeasureCython(points, loc)
1 loops, best of 3: 1.26 s per loop

修改后的版本需要4.47毫秒：

如果有人担心结果可能不同：

In [18]: d1 = check_speed.distMeasureCython(points, loc)

In [19]: d2 = check_speed_original.distMeasureCython(points, loc)

In [20]: np.all(d1 == d2)
Out[20]: True

---

如前所述，这是代码中的numpy.sqrt调用。但是，我认为不需要使用

cdefextern

，因为Cython已经提供了这些基本的C/C++库。（见附件）。所以你可以这样导入它：

    from libc.math cimport sqrt

---

只是为了消除开销。

我没有发现cython版本有任何明显的错误（我很惊讶它的速度如此之慢）。然而，你不会用cython打败一个正确矢量化的numpy表达式。Cython对于无法矢量化的操作是最好的（而且通常相当好）。另外，您可以使用

d=np.hypot（*d.T）

稍微加快numpy版本的速度。您是否运行了

cython-a your_code.pyx

并查看了

your_code.html

？这是一种检查cython生成的C代码的便捷方法，可以发现有多少代码已经翻译成C，还有多少代码仍然在Python级别工作。它很有效！非常感谢。我也得到了你上面提到的运行时间。谢谢你给我关于html的提示。这是我的第一个问题，既然问题解决了，我是否应该关闭它？谢谢你的帮助。

    from libc.math cimport sqrt