Python以其最方便、装备最丰富、最实用的编程语言之一而闻名。执行速度呢？
进入Cython。Cython语言是Python的超集，可以编译成C语言，产生的性能提升从百分之几到几个数量级不等，这取决于手头的任务。对于受Python原生对象类型约束的工作，其速度提升不会很大。但是对于数字操作，或者任何不涉及Python自身内部的操作，其收益可能是巨大的。
[ Also on InfoWorld: How to use asyncio in Python ]
使用 Cython，你可以避开许多 Python 的原生限制或完全超越它们--而不必放弃 Python 的易用性和便利性。在这篇文章中，我们将了解Cython背后的基本概念，并创建一个简单的Python应用程序，使用Cython来加速其一个功能。使用 Cython 加速 Python 将 Python 编译成 C
Python 代码可以直接调用 C 模块。这些C模块可以是通用的C库，也可以是为与Python一起工作而专门建立的库。Cython生成了第二种模块。与Python内部对话的C库，可以与现有的Python代码捆绑在一起。
通过设计，Cython代码看起来非常像Python代码。如果你给Cython编译器提供一个Python程序（Python 2.x和Python 3.x都支持），Cython将接受它的原样，但Cython的本地加速功能将不会发挥作用。但是如果你用Cython的特殊语法的类型注释来装饰Python代码，Cython将能够用快速的C等价物来替代缓慢的Python对象。这意味着开发者可以从现有的Python应用程序开始，通过对代码的局部修改来加速它，而不是从头开始重写整个应用程序。
这种方法与软件性能问题的本质相吻合。在大多数程序中，绝大多数的 CPU 密集型代码都集中在几个热点上--这是帕累托原则的一个版本，也被称为 "80/20 "规则。因此，Python 应用程序中的大部分代码不需要进行性能优化，只需要对少数关键部分进行优化。你可以逐步将这些热点翻译成Cython，从而在最重要的地方获得你需要的性能提升。
如何使用Cython
考虑以下代码，取自Cython的文档：
def f(x): return x**2-xdef integrate_f(a, b, N): s = 0 dx = (b-a)/N for i in range(N): s += f(a+i*dx) return s * dx
这是个玩具例子，一个并不高效的积分函数的实现。作为纯 Python 代码，它很慢，因为 Python 必须在机器的数字类型和它自己的内部对象类型之间来回转换。
现在考虑一下相同代码的 Cython 版本，Cython 的添加部分用下划线表示：
cdef double f(double x): return x**2-xdef integrate_f(double a, double b, int N): cdef int i cdef double s, x, dx s = 0 dx = (b-a)/N for i in range(N): s += f(a+i*dx) return s * dx
如果我们明确声明变量类型，包括函数参数和函数主体中使用的变量（double, int, etc. 我们还可以使用cdef关键字来定义主要用C语言实现的函数，以提高速度，尽管这些函数只能被其他Cython函数调用，而不能被Python脚本调用。(在上面的例子中，只有 integrate_f 可以被另一个 Python 脚本调用。)
注意我们的实际代码没有什么变化。
Cython的优势
除了能够加速你已经写好的代码之外，Cython还赋予了其他几个优势：
与外部C库的工作可以更快
像NumPy这样的Python包将C库包裹在Python接口中，使它们易于工作。然而，通过这些包装在Python和C之间来回走动会使事情变得缓慢。Cython可以让你直接与底层库对话，而不需要Python的介入。(C++ 库也被支持。)
你可以同时使用 C 和 Python 的内存管理
如果你使用 Python 对象，它们的内存管理和垃圾收集与普通 Python 一样。但是如果你想创建和管理你自己的 C 级结构，并使用 malloc/free 来处理它们，你可以这么做。
你可以根据需要选择安全或速度
对于C语言中出现的常见问题，如数组上的越界访问，Cython会通过装饰器和编译器指令(例如，@boundscheck(False))自动进行运行时检查。
如果你确信你在运行时不需要这些检查，你可以禁用它们以获得额外的速度提升，可以在整个模块或只在选定的函数上禁用它们。
Cython 还允许你本机访问 Python 结构，这些结构使用缓冲区协议直接访问存储在内存中的数据（没有中间复制）。Cython的内存视图让你可以高速处理这些结构，并且具有适合任务的安全级别。例如，Python字符串的原始数据可以通过这种方式读取（快速），而不必通过Python运行时（缓慢）。
Cython C代码可以从释放GIL中获益
Python的全局解释器锁，或GIL，在解释器中同步线程，保护对Python对象的访问并管理资源争夺。
如果你有一段没有引用Python对象的代码，并且执行了一个长期运行的操作，你可以用nogil:指令来标记它，允许它在没有GIL的情况下运行。这使得Python解释器可以做其他事情，并且允许Cython代码使用多核（需要额外的工作）。
Cython可以使用Python的类型提示语法
Python有一个类型提示语法，主要由linters和代码检查器使用，而不是CPython解释器。Cython有自己的自定义语法用于代码装饰，但随着最近Cython的修订，你也可以使用Python类型提示语法为Cython提供基本的类型提示。
Cython可以用来掩盖敏感的Python代码
Python模块很容易被反编译和检查，但编译后的二进制文件却不容易。当向终端用户发布Python应用程序时，如果你想保护它的一些模块不被随意窥探，你可以通过用Cython编译它们来实现。
Cython的局限性
请记住，Cython并不是一个魔杖。它不会自动地将每一个Python代码的实例变成快速的C代码。为了充分利用Cython，你必须明智地使用它，并了解它的局限性：
传统Python代码的速度提升不大
当Cython遇到无法完全翻译成C语言的Python代码时，它会把这些代码转化为一系列对Python内部的C语言调用。这相当于把Python的解释器从执行循环中拿出来，默认情况下，这可以使代码的速度适度提高15%到20%。请注意，这是一个最好的情况；在某些情况下，你可能看不到性能的改善，甚至是性能的下降。
本地 Python 数据结构的小幅加速
Python 提供了一系列的数据结构--字符串、列表、图元、字典等等。它们给开发者带来了极大的便利，而且它们有自己的自动内存管理。
Cython 可以让你继续使用所有的 Python 数据结构，尽管速度没有得到很大的提高。这又是因为Cython只是在Python运行时中调用了创建和操作这些对象的C API。因此，Python数据结构的行为与Cython优化的Python代码一般来说很相似。你有时会得到一个提升，但只是一点点。为了获得最佳效果，请使用C语言的变量和结构。
Cython代码在 "纯C "时运行得最快
如果你在C语言中拥有一个标有cdef关键字的函数，它的所有变量和内联函数对其他事物的调用都是纯C的，它的运行速度将与C语言一样快。但如果该函数引用了任何Python原生代码，比如Python数据结构或对Python内部API的调用，该调用将成为性能瓶颈。
幸运的是，Cython提供了一种发现这些瓶颈的方法：一个源代码报告，它可以一目了然地显示Cython应用程序中哪些部分是纯C语言，哪些部分与Python交互。应用程序优化得越好，与Python的交互就越少。
IDG
为一个Cython应用程序生成的源代码报告。白色的区域是纯C语言；黄色的区域显示与Python内部的交互。一个优化良好的Cython程序将尽可能少地出现黄色。最后一行显示了C代码在其对应的Cython代码下的扩展。
Cython NumPy
Cython改善了基于C的第三方数字计算库的使用，如NumPy。因为Cython代码可以编译成C语言，它可以直接与这些库进行交互，并将Python的瓶颈从循环中移除。
但是NumPy，特别是，与Cython配合得很好。Cython对NumPy的特定结构有本地支持，并提供对NumPy数组的快速访问。
然而，如果你想在Cython和NumPy之间建立最紧密的绑定关系，你需要用Cython的自定义语法进一步装饰代码。例如，cimport语句允许Cython代码在编译时看到库中的C级结构，从而实现最快的绑定。
由于NumPy被广泛使用，Cython支持NumPy "开箱即用"。如果你已经安装了NumPy，你只需在你的代码中说明cimport numpy，然后进一步添加装饰以使用暴露的函数。
Cython 剖析和性能
你可以通过剖析代码并亲眼看到瓶颈所在，从而从任何一段代码中获得最佳性能。Cython为Python的cProfile模块提供了钩子，所以你可以使用Python自己的剖析工具，如cProfile，来查看你的Cython代码的性能。
在任何情况下都要记住，Cython并不神奇--明智的现实世界的性能实践仍然适用。
例如，如果你有一个想要在 Cython 中处理的对象集合，不要在 Python 中遍历它并在每一步调用 Cython 函数。将整个集合传递给你的Cython模块并在那里进行迭代。这种技术在管理数据的库中经常使用，所以它是一个很好的模型，可以在你自己的代码中进行模仿。
我们使用 Python 是因为它为程序员提供了便利，并且能够快速开发。有时，程序员的生产力是以性能为代价的。有了Cython，只需一点额外的努力就可以让你获得两个世界的最好结果。
阅读更多关于Python的信息什么是Python？强大的、直观的编程什么是PyPy？更快的Python，没有痛苦什么是Cython？以CC的速度运行的Python教程。如何加快Python的速度如何以聪明的方式安装Python3.8中最好的新特性用Poetry更好地管理Python项目Virtualenv和venv。Python虚拟环境讲解Python virtualenv和venv的注意事项Python线程和子进程讲解如何使用Python调试器如何使用timeit对Python代码进行剖析如何使用cProfile对Python代码进行剖析开始使用Python中的async如何使用Python中的asyncio如何将Python转换为JavaScript（然后再返回）Python 2 EOL。如何在Python的末日中生存下来 212个Pythons满足每个编程需求 24个Python库满足每个Python开发者的需求7个你可能错过的可爱的Python IDE3个主要的Python缺点及其解决方案13个Python网络框架比较4个Python测试框架来粉碎你的bug6个你不想错过的伟大的Python新功能5个掌握机器学习的Python分布8个用于自然语言处理的伟大的Python库