使用Python很有趣，但有時，用它編寫的程序可能很慢。所有的運行時動態調度會帶來很大的代價：有時它比用C或Rust等系統語言編寫的等效代碼慢10倍。

將代碼遷移到一種全新的語言可能會在成本和可靠性方面付出巨大代價：所有的手工重寫工作都將不可避免地引入錯誤。我們可以兩者兼得么?

為了練習一下優化，我們需要一些慢代碼。有什么比斐波那契數列的意外指數實現更慢?

deffib(n):

ifn<2:

return1

returnfib(n-1)+fib(n-2)

由于對fib的調用會導致兩次再次調用，因此這種效率極低的算法需要很長時間才能執行。例如，在我的新筆記本電腦上，fib(36)需要大約4.5秒。這個4.5秒會成為我們探索Python的Cython擴展能提供的幫助的基準。

使用Cython的正確方法是將其集成到setup.py中。然而，使用pyximport可以快速地進行嘗試。讓我們將fib代碼放在fib.pyx中并使用Cython運行它。

>>>importpyximport;pyximport.install()

>>>importfib

>>>fib.fib(36)

只使用Cython而不修改代碼，這個算法在我筆記本上花費的時間減少到大約2.5秒。幾乎無需任何努力，這幾乎減少了50%的運行時間。當然，得到了一個不錯的成果。

加把勁，我們可以讓它變得更快。

cpdefintfib(intn):

ifn<2:

return1

returnfib(n-1)+fib(n-2)

我們將fib中的代碼變成用cpdef定義的函數，并添加了兩個類型注釋：它接受一個整數并返回一個整數。

這個變得快多了，大約只用了0.05秒。它是如此之快，以至于我可能開始懷疑我的測量方法包含噪聲：之前，這種噪聲在信號中丟失了。

當下次你的Python代碼花費太多CPU時間時，也許會導致風扇狂轉，為何不看看Cython是否可以解決問題呢?

以上內容為大家介紹了使用Cython為Python編寫更快的C擴展，希望對大家有所幫助，如果想要了解更多Python相關知識，請關注IT培訓機構:千鋒教育。http://m.hangjiakeji.com/