用boost.python交換numpy數組：pyublas或boost.numpy？

Question

我通過py ++ / boost.python將C ++數據密集庫與Python連接起來。 在對我的程序進行概要分析后，我發現70％的運行時間花費在這樣的代碼上：

ni = range(v2o.getHits())
tau = np.array([v2o.TofCorrectedTime[i] for i in ni])
q = [v2o.getCharge()[i] for i in ni]

v2o.TofCorrectedTime鍵入__array_1_float_2368從PY ++。 v2o.getCharge（）也是從py ++中鍵入的_impl_details_range_iterator_ 。 大小約為2000，從這些py ++數組包裝器到numpy的轉換很慢：

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

我在網上搜索了一個解決方案。 候選人是：

1. Cython與memoryview
2. pyublas
3. Boost.NumPy

問題與解答（更新）：

• cython / memoryview是否易於與boost.python和py ++集成？ 我想保留庫包裝的其余部分。

  不。（吉姆的回答）

  cython c ++包裝器和boost.python具有內在不同的基礎結構。 他們很難相互交談。 （雖然原則上我們可以教py ++輸出cython代碼。但這是另一個故事。）

  使用Boost.NumPy擴展當前包裝是最易於管理的方式。

• 在轉換開銷方面哪一個最適合我的問題？

  （還沒有確切的答案。）

謝謝

Answer 1

（免責聲明：我是Boost.NumPy的主要作者。）

我擔心這些選項都不是特別棒。 以下是我認為pro / con分析的方法：

• Cython擁有大量的用戶和開發人員，因此如果您使用該選項，您將獲得更多支持。 但是，它根本沒有與Boost.Python集成，我認為使Cython對象與Boost.Python交流是一項巨大的工作，更不用說Py ++了。 你可能需要非常了解Cython和Boost.Python的低級實現細節才能實現這一目標。 如果你想使用Cython，你可能最好不要廢棄你的Py ++ / Boost.Python包裝器。

• Boost.NumPy擁有一個更小的社區，因此支持資源更加有限，但它更適合您已有的代碼。 Py ++對Boost.NumPy一無所知，因此它不會自動生成使用它的代碼（可能是你可以教Py ++關於Boost.NumPy;我對Py ++不太熟悉），但它非常簡單將自定義Boost.Python代碼（以及Boost.NumPy代碼）添加到Py ++項目中。