听过很多人说python速度慢，难以用于正式项目。本文介绍运用Cython编程，令Python代码的运行速度能提升数倍至数百倍。
Cython是Python编程语言的一个超集，它在Python和C/C++之间起着中间人的作用。Cython 允许python 与 C 风格代码混合编程，将C语句代码编译为静态格式，Python解释器运行时动态调用。当然，这意味着Cython永远不可能比C/C++快，稍微会慢一点。
目前，有许多知名的Python库，如NumPy和Pandas已经使用Cython来提高性能。也说明学习它很值得。下面我将演示如何用cython来改写1个python函数，并编译为二进制文件，测试比较前后性能变化。
建议使用Python3.9 以上版本
pip3 install cython
我们编写1个函数，求圆周率近似值，数学公式如下
下面代码使用纯python实现此计算，默认n = 10000000， 并导入cProfile 模块来计算各函数消耗时间。
# 文件名： pi.py
import cProfile
def recip_square(i):
return 1. / i ** 2
def approx_pi(n=10000000):
val = 0.
for k in range(1, n + 1):
val += recip_square(k)
pi = (6 * val) ** .5
print("Approximate value of pi is: ", pi)
return pi
if __name__ == '__main__':
# 计算PI, 并统计耗时
cProfile.run('approx_pi(10000000)')
cython 编程就是在python中使用C类型来申明变量，要先申明再使用。允许导入 C++原码。cython 代码的后缀名为 .pyx.
用cython语法来编写计算圆周率的函数，保存在cpi.pyx文件中。
# 文件名 cpi.pyx
# cython: profile=True
cimport cython
@cython.profile(False)
cdef inline double recip_square(long long i):
return 1.0 / (i * i)
def approx_pi(int n=10000000):
cdef double val = 0.
cdef int k
for k in range(1, n + 1):
val += recip_square(k)
pi = (6 * val) ** .5
print("Approximate value of pi is: ", pi)
return pi
下面分析这段代码：
cdef double val = 0.
cdef int k
其中 double, int 是 C 语言浮点数、整数类型, cdef 表示使用静态编译
cdef inline double recip_square(long long i)
函数定义时，也用C类型申明参数类型，以及返回值类型.
def approx_pi(int n=10000000):
approx_pi函数名前面无 cdef ，表示这个函数不是纯C函数，在运行时会按python方式运行，解释器执行到 cdef double val = 0. 语句时，会从编译后的pyd动态链接库中调用C语句。
因为循环体内用到的变量与函数都是C语句，所以它的速度是非常快的。 函数的返回值 pi 变量是1个python变量。 但只调用了2次，因此对总体速度影响非常有限。
Cython 使用Python最通用的 setuptools 构建工具进行编译，但必须提前安装好C++编译器，linux上安装gcc, Windows 系统安装Visual Studio 或者minGW均可。
第1步，按setuptools 要求，编写setup.py构建脚本，setup.py构建的详细配置不赘述了，仅说明与cython相关的配置
# setup.py
from setuptools import setup
# 导入Cython 构建相关模块
from Cython.Build import cythonize
setup(
ext_modules=cythonize("cpi.pyx"),
)
其中 ext_modules=cythonize("cpi.pyx") ，告知setuptools ，将cpi.pyx 按c来编译。
第2步，执行编译
python setup.py build_ext --inplace
会先转为 cpi.c 文件，再用C++编译器将 .c文件编译为动态链接库.pyd, linux则为.so。
编写1个python测试函数，导入编译后的cython模块, 用 cProfile 模块收集运行时间
# test_cpi.py
import cpi
import cProfile
cProfile.run('cpi.approx_pi()')
执行该函数，总耗时 0.042秒
python test_cpi.py
Approximate value of pi is: 3.1415925580959025
5 function calls in 0.042 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.042 0.042 <string>:1(<module>)
1 0.042 0.042 0.042 0.042 cpi.pyx:15(approx_pi)
1 0.000 0.000 0.042 0.042 {built-in method builtins.exec}
1 0.000 0.000 0.042 0.042 {cython_demo.cpi.approx_pi}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
执行python函数，总耗时 6.287秒，
python pi.py
Approximate value of pi is: 3.1415925580959025
10000005 function calls in 6.287 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 6.287 6.287 <string>:1(<module>)
10000000 3.944 0.000 3.944 0.000 pi.py:2(recip_square)
1 2.343 2.343 6.287 6.287 pi.py:5(approx_pi)
1 0.000 0.000 6.287 6.287 {built-in method builtins.exec}
1 0.000 0.000 0.000 0.000 {built-in method builtins.print}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
结果相比较， 6.287 / 0.042 = 150 倍
这个计算圆周率的函数，用cython语法简单改写后，性能提升了150倍。
从示例可以看出，密集运算的函数经过cython简单添加了C类型申明后，并没有增加更多代码，但速度提升非常明显，可以说，Cython是提升Python程序性能的最佳方式，因此值得深入学习，并在实际项目上运用。
使用cython时的一些建议，供参考：
1） cython语法相比python基本语法，学习难度略微增加，建议理解原理后，多做几遍练习。
2） 只在少数代码中使用cython, 主要是运算很重的函数或类。
3）在I/O密集型函数中使用cytthon效果不明显，或者可能没什么效果，如网络消息收发，大文件读写。
Cython中文文档：在线阅读(Gitee)