Cython可以在Python中掺杂C和C++的静态类型，cython编译器可以把Cython源码编译成C或C++代码，编译后的代码可以单独执行或者作为Python中的模型使用。Cython中的强大之处在于可以把Python和C结合起来，它使得看起来像Python语言的Cython代码有着和C相似的运行速度。

Cython代码和Python代码区别

代码运行在IPython-Notebook中，在IPython-Notebook中导入cython环境。

%load_ext cython

我们使用一个简单的Fibonacci函数来比较下Python和Cython的区别：

#python
def fib1(n):
 a,b=0.0,1.0
 for i in range(n):
 a,b=a+b,a
 return a

下面代码使用%%cython标志表示下面的代码使用cython编译

%%cython
def fib2(int n):
 cdef double a=0.0, b=1.0
 for i in range(n):
 a,b = a+b,a
 return a

通过比较上面的代码，为了把Python中的动态类型转换为Cython中的静态类型，我们用cdef来定义C语言中的变量i，a，b。

我们用C语言实现Fibonacci函数，然后通过Cython用Python封装，其中cfib.h为Fibonacci函数C语言实现，如下：

double cfib(int n) {
 int i;
 double a=0.0, b=1.0, tmp;
 for (i=0; i<n; ++i) {
 tmp = a; a = a + b; b = tmp;
 }
 return a;
}
%%cython
cdef extern from "/home/ldy/MEGA/python/cython/cfib.h":
 double cfib(int n) 
def fib3(n):
 """Returns the nth Fibonacci number."""
 return cfib(n)

比较不同方法的运行时间：

%timeit result=fib1(1000)
%timeit result=fib2(1000)
%timeit result=fib3(1000)
10000 loops, best of 3: 73.6 μs per loop
1000000 loops, best of 3: 1.94 μs per loop
1000000 loops, best of 3: 1.92 μs per loop

Cython代码的编译

Cython代码的编译为Python可调用模块的过程主要分为两步：第一步是cython编译器把Cython代码优化成C或C++代码；第二步是使用C或C++编译器编译产生的C或C++代码得到Python可调用的模块。

我们通过一个setup.py脚本来编译上面写的fib.pyxCython代码，如下所示，关键就在第三行，cythonize函数的作用是通过cython编译器把Cython代码转换为C代码，setup函数则是把产生的C代码转换成Python可调用模块。

from distutils.core import setup
from Cython.Build import cythonize
setup(ext_modules=cythonize('fib.pyx'))
#setup(ext_modules=cythonize('*.pyx','fib1.pyx'))也可以一次编译多个Cython文件

写好setup.py文件后，就可以通过下述命令执行编译：

python setup.py build_ext --inplace

执行后产生了fib.c代码以及fib.so文件，以及一些中间结果保存在build文件夹里。

import os
os.chdir('/home/ldy/MEGA/python/cython/test')
os.getcwd()
!ls
build fib.c fib.pyx fib.so setup.py

通过Python调用产出的fib.so模块：

import fib
fib.fib2(90)
2.880067194370816e+18

Cython中类型的定义

为什么Cython和Python比会提高很多性能，主要原因有两点：一是Python是解释型语言，在运行之前Python解释器把Python代码解释成Python字节码运行在Python虚拟机上，Python虚拟机把Python字节码最终翻译成CPU能执行的机器码；而Cython代码是事先直接编译成可被Python调用的机器码，在运行时可直接执行。第二个主要的原因是Python是动态类型，Python解释器在解释时需要判断类型，然后再提取出底层能够运行的数据以及操作；然而C语言等比较底层的语言是静态类型，编译器直接提取数据进行操作产生机器码。

Cython中使用cdef来定义静态类型：

cdef int i
cdef int j
cdef float f

也可以一次定义多个：

cdef:
 int i
 int j
 float f

Cython中还允许在静态类型和动态类型同时存在及相互赋值：

%%cython
cdef int a=1,b=2,c=3
list_of_ints=[a,b,c]
list_of_ints.append(4)
a=list_of_ints[1]
print a,list_of_ints
2 [1, 2, 3, 4]

声明Python类型为静态类型，Cython支持把一些Python内置的如list,tuple,dict等类型声明为静态类型，这样声明使得它们能像正常Python类型一样使用，但是需要约束成只能是他们所申明的类型，不能随意变动。

%%cython
cdef:
 list names
 dict name_num
name_num={'jerry':1,'Tom':2,'Bell':3}
names=list(name_num.keys())
print names
other_names=names#动态类型可以从静态类型的Python对象初始化
del other_names[0]#因为引用了同一个list，所以都会删除第一个元素
print names,other_names
other_names=tuple(other_names)#names和other_names的区别在于names只能是list类型，
print other_names #other_names可以引用任何类型
['Bell', 'jerry', 'Tom']
['jerry', 'Tom'] ['jerry', 'Tom']
('jerry', 'Tom')

Cython中numpy的使用

我们先构造一个函数来测试下使用纯Python时的运算时间来做对比，这个函数的作用是对一副输入图像求梯度（不必过分关注函数的功能，在这只是使用这个函数作为测试）。函数的输入数据是indata一个像素为1400*1600的图片；输出为outdata,为每个像素梯度值，下面是这个函数的纯Python实现：

import numpy as np
indata = np.random.rand(1400,1600)
outdata = np.zeros(shape=indata.shape, dtype='float64') # eventually holds our output
from numpy.lib import pad
print("shape before", indata.shape)
indata = pad(indata, (1, 1), 'reflect', reflect_type='odd') # allow edge calcs
print("shape after", indata.shape)
import math
def slope(indata, outdata):
 I = outdata.shape[0]
 J = outdata.shape[1]
 for i in range(I):
 for j in range(J):
 # percent slope using Zevenbergen-Thorne method
 # assume edges added, inarr is offset by one on both axes cmp to outarr
 dzdx = (indata[i+1, j] - indata[i+1, j+2]) / 2 # assume cellsize == one unit, otherwise (2 * cellsize)
 dzdy = (indata[i, j+1] - indata[i+2, j+1]) / 2
 slp = math.sqrt((dzdx * dzdx) + (dzdy * dzdy)) * 100 # percent slope (take math.atan to get angle)
 outdata[i, j] = slp
('shape before', (1400, 1600))
('shape after', (1402, 1602))

测试运行时间，为5.31 s每个循环

%timeit slope(indata, outdata)
1 loop, best of 3: 5.31 s per loop

重置输出：

def reset_outdata():
 outdata = np.zeros(shape=indata.shape, dtype='float64')
reset_outdata()

使用Cython重写求图像梯度函数,其中函数slope_cython2使用Cython里的numpy类型，并重写了里面的开方函数，其中%%cython -a表示使用cython编译Cython代码，并可以对照显示编译器把Cython代码编译成的C代码。

%%cython
import cython
cimport numpy as np
ctypedef np.float64_t DTYPE_t
@cython.boundscheck(False)
def slope_cython2(np.ndarray[DTYPE_t, ndim=2] indata, np.ndarray[DTYPE_t, ndim=2] outdata):
 cdef int I, J
 cdef int i, j, x
 cdef double k, slp, dzdx, dzdy
 I = outdata.shape[0]
 J = outdata.shape[1]
 for i in range(I):
 for j in range(J):
 dzdx = (indata[i+1, j] - indata[i+1, j+2]) / 2
 dzdy = (indata[i, j+1] - indata[i+2, j+1]) / 2
 k = (dzdx * dzdx) + (dzdy * dzdy)
 slp = k**0.5 * 100
 outdata[i, j] = slp

测试运行时间：208ms,快了有25倍左右

%timeit slope_cython2(indata, outdata)
1 loop, best of 3: 208 ms per loop

Cython中多进程

Cython还支持并行运算,后台由OpenMP支持，所以在编译Cython语言时需要加上如下代码第一行所示的标记。在进行并行计算时，需使用nogil关键词来释放Python里的GIL锁,当代码中只有C而没有Python对象时，这样做是安全的。

%%cython --compile-args=-fopenmp --link-args=-fopenmp --force
import cython
from cython.parallel import prange, parallel
@cython.boundscheck(False)
def slope_cython_openmp(double [:, :] indata, double [:, :] outdata):
 cdef int I, J
 cdef int i, j, x
 cdef double k, slp, dzdx, dzdy
 I = outdata.shape[0]
 J = outdata.shape[1]
 with nogil, parallel(num_threads=4):
 for i in prange(I, schedule='dynamic'):
 for j in range(J):
 dzdx = (indata[i+1, j] - indata[i+1, j+2]) / 2
 dzdy = (indata[i, j+1] - indata[i+2, j+1]) / 2
 k = (dzdx * dzdx) + (dzdy * dzdy)
 slp = k**0.5 * 100
 outdata[i, j] = slp
reset_outdata()
%timeit slope_cython_openmp(indata, outdata)
10 loops, best of 3: 78.2 ms per loop

测试的时间如上所示，多进程大概快了2.7倍左右。