cython vs PythonNumpy用于（简单地）添加数组

如果已经回答了类似的问题，那么很抱歉。下面是我问题的一个简化示例： test函数调用test_helper，它只对

numpy

输入执行一些操作

我希望用cython重写test_helper以获得速度增益；限制是一个test，test_helper需要是单独的函数（没有内联func）（它们在实际代码中位于单独的文件中）。但是，可以将输入更改为test\u helper

纯python

#np#u test_py.py
将numpy作为np导入
def测试辅助程序（a、b、c）：
d=a+b-c
返回d
def测试（a、b、c）：
对于范围内的i（150000）：
测试助手（a、b、c）

迄今为止最好的赛昂

#np#u test.pyx
将numpy作为np导入
cimport numpy作为np
西姆波特赛顿酒店
@cython.boundscheck（错误）
@cython.wrapparound（假）
cdef测试辅助程序（np.float64_t[：1]a，np.float64_t[：1]b，np.float64_t[：1]c）：
cdef：
int k
np.ndarray[np.float64_t，ndim=1]d=np.zeros（2000，dtype=np.float64）
np.float64\u t[：：1]d\u view=d
对于X范围内的k（2000年）：
d_视图[k]=（a[k]+b[k]-c[k]）
返回d
def测试（a、b、c）：
对于范围内的i（150000）：
测试助手（a、b、c）

分析（供您参考）

#profiling.py
导入pstats、cProfile
将numpy作为np导入
输入np_检验
导入np\u测试\u py
a=np.ones（2000年）
b=np.ones（2000年）
c=新成员（2000）*2
cProfile.runctx（“np_test.test（a，b，c）”，globals（），locals（），“Profile.prof”）
#crofile.runctx（“np_test_py.test（a，b，c）”，globals（），locals（），“Profile.prof”）
s=pstats.Stats（“Profile.prof”）
s、 strip_dirs（）.sort_stats（“时间”）.print_stats（）

setup.py（供您参考）

来自distutils.core导入设置，扩展
从Cython.Build导入cythonize
进口numpy
设置(
ext_modules=cythonize（“np_test.pyx”），
include_dirs=[numpy.get_include（）]
)

python分析输出（0.32s）

ncalls tottime percall cumtime percall文件名：lineno（函数）
150000 0.297 0.000 0.297 0.000 np_测试py.py:6（测试助手）
1 0.023 0.023 0.320 0.320 np_试验。py:10（试验）
1 0.000 0.000 0.320 0.320{内置方法builtins.exec}
1    0.000    0.000    0.320    0.320 :1()                                                              
1 0.000 0.000 0.000 0.000{方法'disable'的''lsprof.Profiler'对象}

cython分析输出（0.666s）

ncalls tottime percall cumtime percall文件名：lineno（函数）
1 0.666 0.666 0.666 0.666{np_test.test}
1 0.000 0.000 0.666 0.666{内置方法builtins.exec}
1    0.000    0.000    0.666    0.666 :1()                                                              
1 0.000 0.000 0.000 0.000{方法'disable'的''lsprof.Profiler'对象}

Cython版本的速度实际上是python版本的一半。我认为反过来应该是可以实现的

---

谢谢

在您的

cython

代码中，您正在创建一个

0

的显式数组，即每个元素都被初始化。如果

numpy

加法代码会麻烦初始化结果数组，我会非常惊讶。尝试使用

np.empty

instead我对强制转换有点怀疑

-要么完全没有必要（因为结果已经是该数据类型），要么是为了隐藏错误（在这种情况下，您应该修复错误！）此外-评测可以显著改变您测量的计时：它有助于了解复杂程序中的时间花在哪里，但对于比较两个简单函数的速度，例如

timeit

要好得多。您是否尝试过使用更大的向量评测/计时？在我的笔记本电脑上，如果向量的大小是2000，就像你的例子一样，我还看到Cython的速度较慢。但是，当我将大小增加到20000或20000时，Cython实现优于numpy实现。@FlyingTeller使用

np.empty

确实快了一点，即0.666s->0.582s

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)                                                        
1    0.666    0.666    0.666    0.666 {np_test.test}                                                                    
1    0.000    0.000    0.666    0.666 {built-in method builtins.exec}                                                   
1    0.000    0.000    0.666    0.666 <string>:1(<module>)                                                              
1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}