Cython优化Python代码-CFANZ编程社区

使用 Cython 优化 Python 代码是一种常见的方式，通过将 Python 代码转译为 C 并编译，可以显著提高性能。Cython 是 Python 的超集，允许在代码中直接使用 C 类型声明，从而加速计算密集型任务。

Cython优化Python代码_并行化

问题背景

我有一个用Python编写的相对较大的代码，运行时需要大约3分钟才能完成全部计算。最终，我想将N增加到大约400，并将for循环中的m更改为更大的数字 - 这可能需要几个小时的计算时间，而我希望减少这个时间。步骤1-6花费的时间很长。当我尝试用Cython（即导入pyximport然后导入我的文件）运行它时，我得到以下错误 FDC.pyx:49:19: 'range’不是有效的Cython语言结构和FDC.pyx:49:19: 'range’不是有效的Cython属性或使用不正确。

解决方案

将Python代码转换为Cython代码。为了做到这一点，你可以使用Cython编译器，它可以将Python代码转换为C代码。C代码可以使用C编译器进行编译，生成一个可执行文件。这个可执行文件可以比原始的Python代码运行得更快。
使用Cython优化器。Cython优化器可以对Cython代码进行优化，以使其运行得更快。Cython优化器使用各种技术来优化代码，例如内联函数、循环展开和常量传播。
使用Cython并行化。Cython支持并行化，这可以让你在多核计算机上运行代码。Cython并行化使用OpenMP库来实现并行化。

以下是用Cython优化Python代码的代码示例：

import numpy as np
cimport numpy as np

def r(x,y): #distance between particles
    return np.sqrt(x**2 + y**2)   

def FDC(x,y,d=0.01,T=100):
    N=len(x)
    charge=(x,y)
    l=0; m=0; n=0
    prevsW = 0.
    
    for q in range(0,100):
        T=0.9*T
        for m in range(0, 4000): #steps 1 - 6 in notes looped over

            xRef = np.random.randint(0,1)      #Choosing x or y
            yRef = np.random.randint(0,N-1)      #choosing the element of xRef
            j = charge[xRef][yRef]           #Chooses specific axis of a charge and stores it as 'j'

            prevops = None #assigns prevops as having no variable
            while True: #code to randomly change charge positions and ensure they do not leave the disc
                ops =(add, sub); op=np.random.choice(ops)
                tempJ = op(j, d)
                #print xRef, yRef, n, tempJ
                charge[xRef][yRef] = tempJ
                ret = r(charge[0][yRef],charge[1][yRef])
                if ret<=1.0:
                    j=tempJ
                    #print "working", n
                    break

                elif prevops != ops and prevops != None: #!= is 'not equal to' so that if both addition and subtraction operations dont work the code breaks 
                    break

                prevops = ops #####

            o = 0; k = 0; sW=0        #New energy with altered x coordinate
            for o in range(0, N):
                for k in range(0, N):
                    if o==k:
                        continue
                    xdist = x[o] - x[k]
                    ydist = y[o] - y[k]
                    sW+=0.5/(r( xdist , ydist )) 


            difference = sW - prevsW
            prevsW = sW

            #Conditions:
            p=0

            if difference < 0: #accept change
                charge[xRef][yRef] = j
                #print 'step 5'
            randomnum = np.random.uniform(0,1) #r
            if difference > 0: #acceptance with a probability 
                p = np.exp( -difference / T )
                #print 'step 6', p
                if randomnum >= p:
                    charge[xRef][yRef] = op(tempJ, -d) #revert coordinate to original if r>p
                    #print charge[xRef][yRef], 'r>p'

            #print m, charge, difference   

    o = 0; k = 0; DW=0        #sum of energy for initial charges 
    for o in range(0, N):
        for k in range(0, N):
            if o==k:
                continue
            xdist=x[o]-x[k]
            ydist=y[o]-y[k]
            DW+= 0.5/(r(xdist,ydist))

    return charge, DW

这个代码示例使用Cython编译器将Python代码转换为Cython代码。然后，可以使用Cython优化器对Cython代码进行优化。最后，可以使用Cython并行化来在多核计算机上运行代码。

通过 Cython 优化，可以让 Python 在性能要求高的场景中接近 C 的表现，同时保留高层次的开发便利性。