用cython加速python代码

Question

我有一个函数，它基本上只是调用一个简单的定义哈希函数，并测试它何时找到重复。 我需要用它做很多模拟，所以希望它尽可能快。 我试图用cython来做这件事。 cython代码当前使用普通的python整数列表调用，其值在0到m ^ 2的范围内。

import math, random
cdef int a,b,c,d,m,pos,value, cyclelimit, nohashcalls   
def h3(int a,int b,int c,int d, int m,int x):
    return (a*x**2 + b*x+c) %m    
def floyd(inputx):
    dupefound, nohashcalls = (0,0)
    m = len(inputx)
    loops = int(m*math.log(m))
    for loopno in xrange(loops):
        if (dupefound == 1):
            break
        a = random.randrange(m)
        b = random.randrange(m)
        c = random.randrange(m)
        d = random.randrange(m)
        pos = random.randrange(m)
        value = inputx[pos]
        listofpos = [0] * m
        listofpos[pos] = 1
        setofvalues = set([value])
        cyclelimit = int(math.sqrt(m))
        for j in xrange(cyclelimit):
            pos = h3(a,b, c,d, m, inputx[pos])
            nohashcalls += 1    
            if (inputx[pos] in setofvalues):
                if (listofpos[pos]==1):
                    dupefound = 0
                else:
                    dupefound = 1
                    print "Duplicate found at position", pos, " and value", inputx[pos]
                break
            listofpos[pos] = 1
            setofvalues.add(inputx[pos])
    return dupefound, nohashcalls 

如何将inputx和listofpos转换为使用C类型数组并以C速度访问数组？ 我还可以使用其他加速吗？ 可以加快设定价值吗？

因此，有一些东西需要比较，对m = 5000的floyd（）的50次调用目前在我的计算机上需要大约30秒。

更新：显示如何调用floyd的示例代码段。

m = 5000
inputx = random.sample(xrange(m**2), m)
(dupefound, nohashcalls) = edcython.floyd(inputx)

Answer 1

首先，似乎必须在函数内键入变量。 这方面就是一个很好的例子。

其次， cython -a ，对于“annotate”，给你一个非常好的分解cython编译器生成的代码和颜色编码的指示脏的程度（读：python api heavy）。 在尝试优化任何内容时，此输出非常重要。

第三， 与Numpy合作的现在着名的页面解释了如何快速，C风格访问Numpy阵列数据。 不幸的是，这是冗长而烦人的。 然而，我们很幸运，因为最近的Cython提供了Typed Memory Views ，它既易于使用又非常棒 。 在尝试执行任何其他操作之前，请先阅读整个页面。

十分钟左右后，我想出了这个：

# cython: infer_types=True

# Use the C math library to avoid Python overhead.
from libc cimport math
# For boundscheck below.
import cython
# We're lazy so we'll let Numpy handle our array memory management.
import numpy as np
# You would normally also import the Numpy pxd to get faster access to the Numpy
# API, but it requires some fancier compilation options so I'll leave it out for
# this demo.
# cimport numpy as np

import random

# This is a small function that doesn't need to be exposed to Python at all. Use
# `cdef` instead of `def` and inline it.
cdef inline int h3(int a,int b,int c,int d, int m,int x):
    return (a*x**2 + b*x+c) % m

# If we want to live fast and dangerously, we tell cython not to check our array
# indices for IndexErrors. This means we CAN overrun our array and crash the
# program or screw up our stack. Use with caution. Profiling suggests that we
# aren't gaining anything in this case so I leave it on for safety.
# @cython.boundscheck(False)
# `cpdef` so that calling this function from another Cython (or C) function can
# skip the Python function call overhead, while still allowing us to use it from
# Python.
cpdef floyd(int[:] inputx):
    # Type the variables in the scope of the function.
    cdef int a,b,c,d, value, cyclelimit
    cdef unsigned int dupefound = 0
    cdef unsigned int nohashcalls = 0
    cdef unsigned int loopno, pos, j

    # `m` has type int because inputx is already a Cython memory view and
    # `infer-types` is on.
    m = inputx.shape[0]

    cdef unsigned int loops = int(m*math.log(m))

    # Again using the memory view, but letting Numpy allocate an array of zeros.
    cdef int[:] listofpos = np.zeros(m, dtype=np.int32)

    # Keep this random sampling out of the loop
    cdef int[:, :] randoms = np.random.randint(0, m, (loops, 5)).astype(np.int32)

    for loopno in range(loops):
        if (dupefound == 1):
            break

        # From our precomputed array
        a = randoms[loopno, 0]
        b = randoms[loopno, 1]
        c = randoms[loopno, 2]
        d = randoms[loopno, 3]
        pos = randoms[loopno, 4]

        value = inputx[pos]

        # Unforunately, Memory View does not support "vectorized" operations
        # like standard Numpy arrays. Otherwise we'd use listofpos *= 0 here.
        for j in range(m):
            listofpos[j] = 0

        listofpos[pos] = 1
        setofvalues = set((value,))
        cyclelimit = int(math.sqrt(m))
        for j in range(cyclelimit):
            pos = h3(a, b, c, d, m, inputx[pos])
            nohashcalls += 1
            if (inputx[pos] in setofvalues):
                if (listofpos[pos]==1):
                    dupefound = 0
                else:
                    dupefound = 1
                    print "Duplicate found at position", pos, " and value", inputx[pos]
                break
            listofpos[pos] = 1
            setofvalues.add(inputx[pos])
    return dupefound, nohashcalls

这里没有任何技巧没有在docs.cython.org上解释 ，这是我自己学习的地方，但有助于将它们全部融合在一起。

对原始代码进行的最重要的更改是在注释中，但它们都等于提供有关如何生成不使用Python API的代码的Cython提示。

infer_types且不说：我真的不知道为什么infer_types默认不启用。 它允许编译器在可能的情况下隐式使用C类型而不是Python类型，这意味着更少的工作。

如果你在这上面运行cython -a ，你会看到调用Python的唯一行是你对random.sample的调用，以及构建或添加到Python set（）。

在我的机器上，原始代码在2.1秒内运行。 我的版本在0.6秒内运行。

下一步是从该循环中获取random.sample，但我会留给你。

我已经编辑了我的答案来演示如何预先计算兰特样本。 这使得时间缩短到0.4秒 。

Answer 2

您需要使用这种特定的散列算法吗？ 为什么不对dicts使用内置的哈希算法？ 例如：

from collections import Counter
cnt = Counter(inputx)
dupes = [k for k, v in cnt.iteritems() if v > 1]