用Cython和PyPy提升Python性能

最近在比較Python和Java的性能。Python在做科學計算方面的性能的確蠻弱的，但網上查閱了一些文檔，發現有很多方法可以優化Python的性能。這裡以一個簡單的積分程序為例，嘗試用幾種方法優化Python性能，並將優化的結果做個比較。

這裡計算的積分如下

未作優化的Python代碼如下

def integrate_f(a, b, N):n s = 0n dx = (b-a) /Nn for i in range(N):n s += 2.71828182846**(-(a+i*dx)**2)n return s*dxnnif __name__ == "__main__":n print integrate_f(1.0,10.0, 100000000)n

在自己的機器上執行這段代碼，耗時46.33s

同樣功能的Java代碼

import java.lang.Math;nnpublic class Test {n public static double integrate_f(double a, double b, int N) {n double s = 0;n double dx = (b-a)/N;n for(int i =0; i <N; i++) {n s += Math.pow(2.71828182846, -Math.pow(a+i*dx, 2));n }n return s*dx;n }n public static void main(String args[]) {n double result = integrate_f(1,10, 100000000);n System.out.println(result);n }n}n

編譯後執行，耗時8.58s

下面用幾種方法優化上面的Python的代碼

1. PyPy

一般說Python都是指CPython解釋器，CPython是廣泛接受的Python標準。PyPy是另一個解釋器，使用了JIT編譯，和CPython高度兼容。不過PyPy的缺點是不支持C擴展模塊，所以如果程序中用到Numpy，Scipy，就沒法用PyPy優化了。

用PyPy執行上面的python程序，耗時8.16s。

2. Numba

Numba是一個加速Python執行的庫，可以用其中的JIT編譯加速代碼的執行。使用Numba JIT的代碼如下

from numba import jitn@jitndef integrate_f(a, b, N):n s = 0n dx = (b-a) /Nn for i in range(N):n s += 2.71828182846**(-(a+i*dx)**2)n return s*dxnnif __name__ == "__main__":n print integrate_f(1.0,10.0, 100000000)n

使用numba的代碼執行耗時14.41s。

3. Cython

Cython將Python代碼編譯成C源碼，再把C源碼轉換成Python擴展模塊。用Cython改寫Python代碼，將動態類型用Cython中的靜態類型聲明後，可以大大提升執行的效率。

不過用Cython優化的步驟有點複雜。需要先生成Python擴展模塊，然後在另外一個程序里import這個模塊並調用模塊中的方法。

Cython改寫的代碼如下：

def integrate_f(double a, double b, int N):n cdef double s = 0n cdef int in cdef double dx = (b-a) /Nn for i in range(N):n s += 2.71828182846**(-(a+i*dx)**2)n return s*dxnnif __name__ == "__main__":n print integrate_f(1,10, 100000000)n

執行Cython優化的代碼，耗時7.36s。

下圖展示了上述優化前和優化後的性能比較：

可以看到，三種優化方式對性能都有很大的提升，其中Cython優化代碼後對性能的提升最大。用Cython優化後的執行時間（7.36s）差不多比未經優化的CPython代碼（46.33s）少了一個數量級，和Java版本（8.58s）的性能相當。

總結

在涉及大量科學計算的項目中，通過優化Python還是有希望達到非常不錯的性能的。Python自帶了很多做科學計算的庫，如Numpy，Scipy等，底層都是用C實現的，性能上已經做了很大的優化。如果需要自己實現演算法，也可以用Cython做優化，將耗費CPU的部分編譯成高效的C代碼來達到性能的提升。