毫無疑問，Python是社區最喜愛的編程語言!到目前為止，它是最容易使用的語言之一，因為python代碼是用一種直觀的、人類可讀的方式編寫的。
然而，你經常會反覆聽到一些對Python的抱怨，尤其是來自C語言愛好者的抱怨，這些抱怨無非就是Python很慢。
是的，他們並沒有說錯。
與許多其他編程語言相比，Python確實很慢。Benchmark game有一些比較不同編程語言在不同任務上的速度的可靠基準。
https://benchmarksgame-team.pages.debian.net/benchmarksgame/fastest/gpp-python3.html
對於Python，我們有幾種不同的方法可以加快速度:
- 使用多進程庫來使用所有的CPU核心
https://towardsdatascience.com/heres-how-you-can-get-a-2-6x-speed-up-on-your-data-pre-processing-with-python-847887e63be5
- 如果你使用Numpy、panda或Scikit-Learn，使用Rapids來加速GPU上的處理。
https://towardsdatascience.com/heres-how-you-can-accelerate-your-data-science-on-gpu-4ecf99db3430
如果你所做的實際上可以並行化，比如數據預處理或矩陣運算，這些都是很好的方法。
但是如果你的代碼是純Python的呢?如果你不得不使用一個很大的for循環，且不能將數據放入矩陣中，因為數據必須按順序處理，那會怎樣?有沒有辦法加快Python本身的速度呢?
答案是肯定的，這就是Cython來加速原生Python代碼的地方。
什麼是Cython?
Cython是Python和C/C++之間的一箇中間步驟。它允許你編寫純Python代碼，並且只需要做一些小修改，然後將其直接翻譯成C代碼。
你對Python代碼所做的惟一調整就是向每個變量添加類型信息。通常，我們可以像這樣在Python中聲明一個變量:
x = 0.5
使用Cython，我們將向該變量添加一個類型:
cdef float x = 0.5
這告訴Cython，我們的變量是浮點類型，就像我們在C中所做的一樣。對於純Python，變量的類型是動態確定的。Cython中類型的顯式聲明使轉換為C成為可能，因為顯式類型聲明是必須的。
安裝Cython只需要一行簡單的pip命令:
pip install cython
Cython中的類型
使用Cython時，變量和函數分別有不同的類型。
對於變量我們有以下類型:
- cdef int a, b, c
- cdef char *s
- cdef float x = 0.5 (單精度)
- cdef double x = 63.4 (雙精度)
- cdef list names
- cdef dict goals_for_each_play
- cdef object card_deck
注意所有這些類型都來自C/C++ ! 而對於方法我們有以下類型:
- def — 常規python函數，僅從python調用。
- cdef — 不能從python的代碼中訪問Cython的函數。即必須在Cython內調用
- cpdef — C 和 Python. 可以從C和Python中訪問
瞭解了Cython類型之後，我們就可以直接實現加速了!
如何使用Cython加速你的代碼
我們要做的第一件事是設置Python代碼基準:用於計算數值階乘的for循環。原生Python代碼如下:
def test(x):
y = 1
for i in range(x+1):
y *= i
return y
相同功能的Cython方法看起來非常相似。首先，我們將確保Cython代碼文件具有.pyx擴展名。對代碼本身的惟一更改是，我們已經聲明瞭每個變量和函數的類型。
cpdef int test(int x):
cdef int y = 1
cdef int i
for i in range(x+1):
y *= i
return y
注意到該函數具有cpdef，以確保我們可以從Python中調用它。並且注意到到循環變量i是具有類型的。你需要為函數中的所有變量設置類型，以便C編譯器知道使用哪種類型!
接下來，創建setup.py文件，該文件將Cython代碼編譯為C代碼:
from distutils.core import setup
from Cython.Build import cythonize
setup(ext_modules = cythonize('run_cython.pyx'))
並執行編譯:
python setup.py build_ext --inplace
Boom ! 可以看到我們的C代碼已經編譯好了，可以使用了!
你將看到，在Cython代碼所在的文件夾中，你擁有運行C代碼所需的所有文件，包括run_cython.c文件。如果你感興趣，可以查看一下Cython生成的C代碼!
現在我們準備測試我們新的並且超級快的C代碼!查看下面的代碼，它實現了一個速度測試，將原生Python代碼與Cython代碼進行比較。
import run_python
import run_cython
import time
number = 10
start = time.time()
run_python.test(number)
end = time.time()
py_time = end - start
print("Python time = {}".format(py_time))
start = time.time()
run_cython.test(number)
end = time.time()
cy_time = end - start
print("Cython time = {}".format(cy_time))
print("Speedup = {}".format(py_time / cy_time))
代碼非常直觀，我們以與普通Python相同的方式導入文件，並以與普通Python相同的方式運行函數!
Cython幾乎可以讓你在所有原生Python代碼上獲得良好的加速，而不需要太多額外的工作。需要注意的關鍵是，循環次數越多，處理的數據越多，Cython可以提供的幫助就越多。
下表顯示了Cython為不同的數值階乘帶來的加速性能。當數值為10000000的時候，可以看到，我們的Cython加速超過了36倍。
毫無疑問，Python是社區最喜愛的編程語言!到目前為止，它是最容易使用的語言之一，因為python代碼是用一種直觀的、人類可讀的方式編寫的。
然而，你經常會反覆聽到一些對Python的抱怨，尤其是來自C語言愛好者的抱怨，這些抱怨無非就是Python很慢。
是的，他們並沒有說錯。
與許多其他編程語言相比，Python確實很慢。Benchmark game有一些比較不同編程語言在不同任務上的速度的可靠基準。
https://benchmarksgame-team.pages.debian.net/benchmarksgame/fastest/gpp-python3.html
對於Python，我們有幾種不同的方法可以加快速度:
- 使用多進程庫來使用所有的CPU核心
https://towardsdatascience.com/heres-how-you-can-get-a-2-6x-speed-up-on-your-data-pre-processing-with-python-847887e63be5
- 如果你使用Numpy、panda或Scikit-Learn，使用Rapids來加速GPU上的處理。
https://towardsdatascience.com/heres-how-you-can-accelerate-your-data-science-on-gpu-4ecf99db3430
如果你所做的實際上可以並行化，比如數據預處理或矩陣運算，這些都是很好的方法。
但是如果你的代碼是純Python的呢?如果你不得不使用一個很大的for循環，且不能將數據放入矩陣中，因為數據必須按順序處理，那會怎樣?有沒有辦法加快Python本身的速度呢?
答案是肯定的，這就是Cython來加速原生Python代碼的地方。
什麼是Cython?
Cython是Python和C/C++之間的一箇中間步驟。它允許你編寫純Python代碼，並且只需要做一些小修改，然後將其直接翻譯成C代碼。
你對Python代碼所做的惟一調整就是向每個變量添加類型信息。通常，我們可以像這樣在Python中聲明一個變量:
x = 0.5
使用Cython，我們將向該變量添加一個類型:
cdef float x = 0.5
這告訴Cython，我們的變量是浮點類型，就像我們在C中所做的一樣。對於純Python，變量的類型是動態確定的。Cython中類型的顯式聲明使轉換為C成為可能，因為顯式類型聲明是必須的。
安裝Cython只需要一行簡單的pip命令:
pip install cython
Cython中的類型
使用Cython時，變量和函數分別有不同的類型。
對於變量我們有以下類型:
- cdef int a, b, c
- cdef char *s
- cdef float x = 0.5 (單精度)
- cdef double x = 63.4 (雙精度)
- cdef list names
- cdef dict goals_for_each_play
- cdef object card_deck
注意所有這些類型都來自C/C++ ! 而對於方法我們有以下類型:
- def — 常規python函數，僅從python調用。
- cdef — 不能從python的代碼中訪問Cython的函數。即必須在Cython內調用
- cpdef — C 和 Python. 可以從C和Python中訪問
瞭解了Cython類型之後，我們就可以直接實現加速了!
如何使用Cython加速你的代碼
我們要做的第一件事是設置Python代碼基準:用於計算數值階乘的for循環。原生Python代碼如下:
def test(x):
y = 1
for i in range(x+1):
y *= i
return y
相同功能的Cython方法看起來非常相似。首先，我們將確保Cython代碼文件具有.pyx擴展名。對代碼本身的惟一更改是，我們已經聲明瞭每個變量和函數的類型。
cpdef int test(int x):
cdef int y = 1
cdef int i
for i in range(x+1):
y *= i
return y
注意到該函數具有cpdef，以確保我們可以從Python中調用它。並且注意到到循環變量i是具有類型的。你需要為函數中的所有變量設置類型，以便C編譯器知道使用哪種類型!
接下來，創建setup.py文件，該文件將Cython代碼編譯為C代碼:
from distutils.core import setup
from Cython.Build import cythonize
setup(ext_modules = cythonize('run_cython.pyx'))
並執行編譯:
python setup.py build_ext --inplace
Boom ! 可以看到我們的C代碼已經編譯好了，可以使用了!
你將看到，在Cython代碼所在的文件夾中，你擁有運行C代碼所需的所有文件，包括run_cython.c文件。如果你感興趣，可以查看一下Cython生成的C代碼!
現在我們準備測試我們新的並且超級快的C代碼!查看下面的代碼，它實現了一個速度測試，將原生Python代碼與Cython代碼進行比較。
import run_python
import run_cython
import time
number = 10
start = time.time()
run_python.test(number)
end = time.time()
py_time = end - start
print("Python time = {}".format(py_time))
start = time.time()
run_cython.test(number)
end = time.time()
cy_time = end - start
print("Cython time = {}".format(cy_time))
print("Speedup = {}".format(py_time / cy_time))
代碼非常直觀，我們以與普通Python相同的方式導入文件，並以與普通Python相同的方式運行函數!
Cython幾乎可以讓你在所有原生Python代碼上獲得良好的加速，而不需要太多額外的工作。需要注意的關鍵是，循環次數越多，處理的數據越多，Cython可以提供的幫助就越多。
下表顯示了Cython為不同的數值階乘帶來的加速性能。當數值為10000000的時候，可以看到，我們的Cython加速超過了36倍。