[英]exchange numpy array with boost.python: pyublas or boost.numpy?
我通过py ++ / boost.python将C ++数据密集库与Python连接起来。 在对我的程序进行概要分析后,我发现70%的运行时间花费在这样的代码上:
ni = range(v2o.getHits())
tau = np.array([v2o.TofCorrectedTime[i] for i in ni])
q = [v2o.getCharge()[i] for i in ni]
v2o.TofCorrectedTime键入__array_1_float_2368从PY ++。 v2o.getCharge()也是从py ++中键入的_impl_details_range_iterator_ 。 大小约为2000,从这些py ++数组包装器到numpy的转换很慢:
In [42]: timeit np.array(v2o.TofCorrectedTime)
100 loops, best of 3: 2.52 ms per loop
In [43]: timeit np.array(v2o.getCharge())
100 loops, best of 3: 4.94 ms per loop
In [44]: timeit np.array([0]*2368)
1000 loops, best of 3: 310 µs per loop
In [45]: timeit np.array(np.zeros(2368))
100000 loops, best of 3: 4.41 µs per loop
我在网上搜索了一个解决方案。 候选人是:
问题与解答(更新):
cython / memoryview是否易于与boost.python和py ++集成? 我想保留库包装的其余部分。
不。(吉姆的回答)
cython c ++包装器和boost.python具有内在不同的基础结构。 他们很难相互交谈。 (虽然原则上我们可以教py ++输出cython代码。但这是另一个故事。)
使用Boost.NumPy扩展当前包装是最易于管理的方式。
在转换开销方面哪一个最适合我的问题?
(还没有确切的答案。)
谢谢
(免责声明:我是Boost.NumPy的主要作者。)
我担心这些选项都不是特别棒。 以下是我认为pro / con分析的方法:
Cython拥有大量的用户和开发人员,因此如果您使用该选项,您将获得更多支持。 但是,它根本没有与Boost.Python集成,我认为使Cython对象与Boost.Python交流是一项巨大的工作,更不用说Py ++了。 你可能需要非常了解Cython和Boost.Python的低级实现细节才能实现这一目标。 如果你想使用Cython,你可能最好不要废弃你的Py ++ / Boost.Python包装器。
Boost.NumPy拥有一个更小的社区,因此支持资源更加有限,但它更适合您已有的代码。 Py ++对Boost.NumPy一无所知,因此它不会自动生成使用它的代码(可能是你可以教Py ++关于Boost.NumPy;我对Py ++不太熟悉),但它非常简单将自定义Boost.Python代码(以及Boost.NumPy代码)添加到Py ++项目中。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.