Numpy 分析Cython代码|极客教程

分析Cython代码，我们将分析用来计算欧拉常数近似值的Cython代码和NumPy代码。所需的计算公式请见http://en.wikipedia.org/wiki/E_%28mathematical_constant%29。

具体步骤

下面介绍怎样分析Cython代码。为此，请执行以下步骤。

用NumPy近似计算e

用NumPy近似计算e时，需要执行下列步骤。

创建一个由从1到n-1的自然数构成的数组（本例中n的默认值是40）。
计算数组的累积连乘，等同于求阶乘。
求取阶乘的倒数。
应用上述维基百科页面中的公式。

最后要加上标准的性能分析代码。具体代码如下：

这段代码在Windows平台上运行报错，原因是，默认情况下数组arr的数据类型是int32，不能容纳太大的计算结果。因此建议创建数组时，使用语句arr = numpy.arange(1, n，dtype=numpy.uint64) 。

import numpy
import cProfile
import pstats

def approx_e(n=40):
    # 创建数组[1, 2, ... n-1]
    arr = numpy.arange(1, n) 

     # 计算阶乘，并把计算结果转换为浮点数。
     arr = arr.cumprod().astype(float)

     # 取倒数1/n
     arr = numpy.reciprocal(arr)

     print 1 + arr.sum() 

cProfile.runctx("approx_e()", globals(), locals(), "Profile.prof")

s = pstats.Stats("Profile.prof")
s.strip_dirs().sort_stats("time").print_stats()

常数e近似计算的结果和性能分析的结果如下所示:

2.71828182846

        7 function calls in 0.000 CPU seconds

Ordered by: internal time

ncalls tottime percall cumtime percall filename:lineno(function)
    1   0.000   0.000   0.000   0.000 numpy_approxe.py:5(approx_e)
    1   0.000   0.000   0.000   0.000 {method 'cumprod' of 'numpy.ndarray' objects}
    1   0.000   0.000   0.000   0.000 {numpy.core.multiarray.arange}
    1   0.000   0.000   0.000   0.000 {method 'sum' of 'numpy.ndarray' objects}
    1   0.000   0.000   0.000   0.000 {method 'astype' of 'numpy.ndarray' objects}
    1   0.000   0.000   0.000   0.000 <string>:1(<module>)
    1   0.000   0.000   0.000   0.000 {method 'disable' of '_lsprof.Profiler' objects}

用Cython近似计算e

和上述用NumPy近似计算e的过程一样，Cython代码使用相同的算法，只是在具体实现上有一些差别。和NumPy相比，由于缺少合适的便捷函数，我们需要用到for循环。而且，我们需要指明某些变量的类型。.pyx文件的具体代码如下。

def approx_e(int n=40):
    cdef double sum = 0.
    cdef double factorial = 1.
    cdef int k
    for k in xrange(1,n+1):
        factorial *= k
        sum += 1/factorial
    print 1 + sum

下列Python程序首先引入了Cython模块，然后做了一些相关的性能分析。

import pstats
import cProfile
import pyximport
pyximport.install()

import approxe
cProfile.runctx("approxe.approx_e()", globals(), locals(), "Profile.prof")

s = pstats.Stats("Profile.prof")
s.strip_dirs().sort_stats("time").print_stats()

Cython代码的分析结果如下：

2.71828182846

    3 function calls in 0.000 CPU seconds

    Ordered by: internal time

    ncalls tottime percall cumtime percall filename:lineno(function)
        1   0.000   0.000   0.000   0.000 {approxe.approx_e}
        1   0.000   0.000   0.000   0.000 <string>:1(<module>)
        1   0.000   0.000   0.000   0.000 {method 'disable' of '_lsprof.Profiler' objects}