Python 2.7 通过在Cython中重写numpy优化代码，可以显著提高速度吗？

我有一些python代码在2d和3d numpy数组上进行数值计算。代码的优化方式是不使用任何for循环，只使用numpy操作。所有操作都在

float

类型上完成

这些是使用的numpy操作：

numpy.zeros

，

numpy.restrave

，

numpy.where

，

numpy.logical\u或.reduce

，

numpy.put

，

numpy.add

，

numpy.subtract

，

numpy.true\u设备

，

numpy.rint>

我运行了一些测试，开销在
numpy.where
、
numpy.put
和
numpy.rint
操作中

我的问题是，既然我已经优化了代码，因为它只使用numpy操作，那么在Cython中重写我的代码时，我是否可以期望任何显著的速度提升。或者还有其他选择吗？其余的代码都是用Python编写的，必须留在Python中。一个显著的增长将是平均速度提高20%左右

EDIT1:

# <im> is a 2d floating point numpy array
# <w,h> are the width and hight of <im>    

pdt = np.rint(np.add(pix[:,None,:], np.multiply(depthValOfU[:,None], features[:,0]))).astype(int)
d_two = np.zeros(2000*500)
pdt = np.reshape(pdt, (2000*500, 2))
np.put(d_two, np.where(np.logical_or.reduce((pdt[:,0] < 0, pdt[:,0] > w, pdt[:,1] < 0, pdt[:,1] > h))), self.const)
zero_ind = np.where(d_two < 1000)  
np.put(d_two, zero_ind, im[pdt[zero_ind,0], pdt[zero_ind,1]])

#是一个二维浮点numpy数组
#宽度和高度是多少
pdt=np.rint（np.add（pix[：，None，：]，np.multiply（depthValOfU[：，None]，features[：，0]））.astype（int）
d_two=np.零（2000*500）
pdt=np.整形（pdt，（2000*500，2））
np.put（d_-two，np.where（np.logical_或.reduce（（pdt[：，0]<0，pdt[：，0]>w，pdt[：，1]<0，pdt[：，1]>h）），self.const）
zero_ind=np.式中（d_two<1000）
np.put（d_-two，zero-ind，im[pdt[zero-ind，0]，pdt[zero-ind，1]）

为了使这段代码能够运行，我需要提供大量代码，但我希望这有助于理解它。
您使用的长行和
np.put
很难理解。我认为这相当于：

pdt = pix[:,None,:] + depthValOfU[:,None]*features[:,0]
pdt = np.rint(pdt).astype(int)
pdt = np.reshape(pdt, (2000*500, 2))

d_two = np.zeros(2000*500)

idx = np.where(np.logical_or.reduce((pdt[:,0] < 0, 
                                     pdt[:,0] > w, 
                                     pdt[:,1] < 0, 
                                     pdt[:,1] > h)))
d_two[idx] = self.const

zero_ind = np.where(d_two < 1000)  
d_two[zero_ind] = im[pdt[zero_ind,0], pdt[zero_ind,1]]

pdt=pix[：，None，：]+depthValOfU[：，None]*功能[：，0]
pdt=np.rint（pdt）.astype（int）
pdt=np.整形（pdt，（2000*500，2））
d_two=np.零（2000*500）
idx=np.where（np.logical_或.reduce（（pdt[：，0）]<0，
pdt[：，0]>w，
pdt[：，1]<0，
pdt[：，1]>h）））
d_two[idx]=自常数
zero_ind=np.式中（d_two<1000）
d_two[zero_ind]=im[pdt[zero_ind，0]，pdt[zero_ind，1]]

根据我的经验，索引作业很快<代码>其中

也很快。可以简化

或.reduce

构造

如果按原样将其放入

cython

中，则不会获得明显的加速。如果生成

-a

html，您将看到大量对python和numpy的黄色调用。指定数组的形状和类型可能会有所帮助。但是如果没有环，赛昂就没有什么可以改进的了

类型化memeoryviews可以使用“本机”cython代码执行许多数组操作，但它们没有numpy数组的强大功能

---

另一个选择是将其重写为一个纯粹的迭代操作——循环是它们的荣耀。与良好的矢量化numpy相反。然后让cython将其转换为纯C。但这将是大量的工作。

如果不查看代码，就很难说任何加速会有多大。通常情况下：如果有任何地方可以对整个阵列进行短路评估，或者如果可以对单个循环中的值应用多个操作，那么Cython可以提供帮助（这只是两个示例）。如果可以，请分享您代码的相关部分（或类似代码的相关片段）。谢谢您的回复。我编辑我的问题是为了提供一段不可运行的代码。如果没有可运行的代码，很难说建议的改进是否有帮助。在大多数情况下，您可以轻松地创建类似于

im=np.randn（w，h）的输入；pix=randn（？？）

，依此类推。只要大小与实际数据大致相同，这将有助于显示可能的效果。研究cython文档中键入的MemoryView页面应该可以通过。对于性能测试，有必要提供一段运行的代码，包括代表性的输入和输出测试数据。矢量化numpy函数通常在性能方面并不差，但在更大的问题上，缓存利用率可能不好。也有可能多线程处理您的代码。。。