Python 为什么cffi比numpy快得多？

我一直在用python编写cffi模块，它们的速度让我怀疑我是否正确使用了标准python。这让我想完全切换到C！老实说，有一些很棒的python库我自己永远无法用C重新实现，所以这更像是一种假设

这个例子展示了python中与numpy数组一起使用的sum函数，以及它与c函数相比有多慢。有没有一种更快的pythonic方法来计算numpy数组的和

def cast_matrix(matrix, ffi):
    ap = ffi.new("double* [%d]" % (matrix.shape[0]))
    ptr = ffi.cast("double *", matrix.ctypes.data)
    for i in range(matrix.shape[0]):
        ap[i] = ptr + i*matrix.shape[1]                                                                
    return ap 

ffi = FFI()
ffi.cdef("""
double sum(double**, int, int);
""")
C = ffi.verify("""
double sum(double** matrix,int x, int y){
    int i, j; 
    double sum = 0.0;
    for (i=0; i<x; i++){
        for (j=0; j<y; j++){
            sum = sum + matrix[i][j];
        }
    }
    return(sum);
}
""")
m = np.ones(shape=(10,10))
print 'numpy says', m.sum()

m_p = cast_matrix(m, ffi)

sm = C.sum(m_p, m.shape[0], m.shape[1])
print 'cffi says', sm

现在，如果我计时这个简单的函数，我发现numpy真的很慢！ 我使用numpy的方式正确吗？在python中有没有更快的方法来计算总和

import time
n = 1000000

t0 = time.time()
for i in range(n): C.sum(m_p, m.shape[0], m.shape[1])
t1 = time.time()

print 'cffi', t1-t0

t0 = time.time()
for i in range(n): m.sum()
t1 = time.time()

print 'numpy', t1-t0

时代：

cffi 0.818415880203
numpy 5.61657714844

---

Numpy比C慢有两个原因：Python开销（可能类似于cffi）和通用性。Numpy设计用于处理不同数据类型中的任意维数组。您的cffi示例是针对二维浮点数阵列制作的。成本是编写几行代码vs

.sum（）

，6个字符以节省不到5微秒的时间。（当然，你已经知道了这一点）。我只想强调，CPU时间很便宜，比开发人员的时间便宜得多

现在，如果您想坚持使用Numpy，并且希望获得更好的性能，那么最好的选择就是使用。它们提供了一些功能，针对浮点和双精度的1和2D阵列进行了优化，而且速度非常快。在您的情况下，速度提高了16倍，这将使执行时间提高到0.35，大约是cffi的两倍

---

对于瓶颈没有的其他功能，可以使用Cython。它可以帮助您使用更pythonic的语法编写C代码。或者，如果愿意，可以逐步将Python转换为C，直到您对速度感到满意。

使用该模块进行基准测试。如果您安装了ipython，请尝试

%timeit np.sum（np.sum（m））

和`%timeit np.matrix.sum（x）`可能主要来自python开销，使用较大的数组（如

1E3x1E3

尝试此操作，并减少循环次数将看到更多的可比时间。请注意，如果您直接使用瓶颈的专用函数，相对于Numpy，速度提高了约25倍。您的cffi现在在哪里？：）除了nan的运算外，这似乎比numpy的总和快不了多少。这里的关键似乎是通过预选底层的C函数来避免python开销。Numpy是否公开了专门的功能？您总是可以从C API调用它们，但是您需要通过Cython。另外，签出numba。

cffi 0.818415880203
numpy 5.61657714844