1個小技巧，讓你的Python代碼運行效率提升17倍
Mandelbrot集是一個涉及位運算、遞歸和虛數的有趣的數學現象。由于它是一個復雜且計算多樣化的函數，對于如何提高代碼運行效率，是一個非常好的研究案例。
通過對函數mandelbrot_set函數進行運行計時，我們發現這個函數平均需要8秒鐘才能運行完成。
- import numpy as np
- def mandelbrot_set(width, height, zoom=1, x_off=0, y_off=0, niter=256):
- w,h = width, height
- pixels = np.arange(w*h, dtype=np.uint16).reshape(h, w)
- for x in range(w):
- for y in range(h):
- zx = 1.5*(x + x_off - 3*w/4)/(0.5*zoom*w)
- zy = 1.0*(y + y_off - h/2)/(0.5*zoom*h)
- z = complex(zx, zy)
- c = complex(0, 0)
- for i in range(niter):
- if abs(c) > 4: break
- c = c**2 + z
- color = (i << 21) + (i << 10) + i * 8
- pixels[y,x] = color
在代碼中加載Cython，效率提升25%
在這里，我們做一個簡單的更改：我們在一個單獨的單元中加載Cython，這是一個專用于在 C 和 Python 之間架起橋梁的轉換模塊。然后，在該單元格的頂部，鍵入 %% cython -a，觸發 Jupyter Notebook 的換行符，通過 Cython 運行代碼，Cython 會在后臺自動將Python代碼轉換為C。我們的函數 mandelbrot_set 可以在 Python 中調用，但將使用C結構運行。
再次運行我們更新的代碼，我們看到減少了近兩秒。幾乎什么都不做就能提高25%的運行效率!
在函數中聲明變量類型，運行效率提升17倍
不過，我們還有更好的辦法。當 Cython 嘗試將 Python 進程轉換為 C 結構時，它的運行速度就會受到限制。我們可以協助 Cython 加快運行的事情之一就是聲明在函數中使用的所有變量的變量類型，這樣可以更好地優化我們的代碼。
注意每個參數的數據類型是如何指定的(在這種情況下，所有數據類型都為 int )。如果一個變量是獨立創建的，則可以使用 cdef 關鍵字，然后使用數據類型和采用該類型的變量。從直接聲明的變量到范圍(n)中的 i in 的所有內容，都可以為 Cython 提供盡可能多的幫助。
重新運行使用了指定數據類型來進行更新后的函數，我們發現運行時間減少了很多，比原來的時間快 了17倍!
在 10 秒鐘內，僅修改了一個數據類型，我們的代碼效率就提高了 17 倍。雖然減少的時間只有幾秒，但這種方法如果應用于更長的代碼腳本中，節省的計算量那將是幾個小時。
工作原理
Cython是一個可以將 Python 編寫成更快、更高效的C語言的模塊。雖然Python的自由性和開放性促使了廣泛采用和開發，特別是在數據科學和其他重計算領域，但這種自由是以效率低下為代價的。在C語言中，編碼者有義務提供有關代碼執行的更多信息，這是一項可以加快處理速度的繁重工作。通過把我們的Python代碼寫成高效的 C 結構和方法，你可以讓它變得更高效，而且你甚至不需要知道C是什么!
cdef 關鍵字將變量聲明為靜態類型的 C 變量。使用這些C變量可以更快地執行代碼，因為變量本身具有指定的類型，而不是 Python 中具有類型的值。例如，在 Python 中，可以在一行中將相同的變量設置為整數，而在另一行中將其設置為字符串。例如，a =“ hello world”&a =1。但是，在 C 語言中，僅設置靜態類型的變量具有一種數據類型。
這種剛性意味著可以避免 Python 動態類型所需的巨大內存空間開銷。因為一個變量可以具有許多可能的值，所以需要分配更多的內存。另一方面，對靜態類型變量范圍的嚴格限制意味著內存空間和執行過程效率更高。如上所述，函數參數也可以聲明為靜態類型的C變量。
這就是為什么簡單地聲明變量類型會讓程序處理代碼的時間大大縮短。盡管還有許多其他方法可以使 Cython 更加高效地使用 Python 代碼，但最簡單，技術最少，回報最高的方法是寫出變量類型。
在你的腳本中有無數的Cython應用程序。
- 下次如果你需要編寫逐行函數以應用于具有數千行的數據幀，進行復雜的數據處理時，記得使用 Cython 來縮短遍歷所有行的時間。
- 如果你正在手寫數據轉換管道以應用復雜和/或條件增強，也要記得考慮能否在 Cython 中實現。
- 在為神經網絡編寫自定義優化器或損失函數(或自我實現現有函數)時，使用 Cython 可以加快訓練過程。
