30倍！使用Cython加速Python代码

标星★公众号     爱你们♥

作者：George Seif、Thomas Wolf、Lukas Frei

编译：1+1=6 | 公众号海外部

近期原创文章：

♥ 5种机器学习算法在预测股价的应用（代码+数据）

♥ Two Sigma用新闻来预测股价走势，带你吊打Kaggle

♥ 2万字干货：利用深度学习最新前沿预测股价走势

♥ 机器学习在量化金融领域的误用！

♥ 基于RNN和LSTM的股市预测方法

♥ 如何鉴别那些用深度学习预测股价的花哨模型？

♥ 优化强化学习Q-learning算法进行股市

♥ WorldQuant 101 Alpha、国泰君安 191 Alpha

♥ 基于回声状态网络预测股票价格（附代码）

♥ 计量经济学应用投资失败的7个原因

♥ 配对交易千千万，强化学习最NB！（文档+代码）

♥  关于高盛在Github开源背后的真相！

♥ 新一代量化带货王诞生！Oh My God！

♥ 独家！关于定量/交易求职分享（附真实试题）

♥ Quant们的身份危机！

♥ 拿起Python，防御特朗普的Twitter

♥ AQR最新研究 | 机器能“学习”金融吗？

你可能经常会一次又一次地听到关于Python的抱怨，Python跑起来太慢了！

与许多其他编程语言相比，Python的确很慢。

有几种不同的方法可以使代码提速：

如果你的代码是纯Python。如果你有一个很大的for循环，你只能使用它，而不能放入矩阵中，因为数据必须按顺序处理，那该怎么办？有没有办法加快Python本身的速度？

来吧，看看Cython！

文末下载Cython相关书籍

Cython的核心是Python和C / C++之间的一个中间步骤。它允许N你编写纯Python代码，只需要做一些小修改，然后将其直接翻译成C代码。

Cython 语言是 Python 的一个超集，它包含有两种类型的对象：

• Python 对象就是我们在常规 Python 中使用到的那些对象，诸如数值、字符串、列表和类实例等等。

• Cython C 对象就是那些 C 和 C++ 对象，诸如双精度、整型、浮点数、结构和向量，它们能够由 Cython 在超级高效的低级语言代码中进行编译。

你对Python代码所做的唯一调整就是向每个变量添加类型信息。通常，我们可以像这样在Python中声明一个变量：

x = 0.5

使用Cython，我们为该变量添加一个类型：

cdef float x = 0.5

这告诉Cython，变量是浮点数，就像我们在C中所做的一样。对于纯Python，变量的类型是动态确定的。Cython中类型的显式声明使其转为C代码成为可能，因为显式类型声明需要+。

有很多办法来测试、编译和发布 Cython 代码。Cython 甚至可以像 Python 一样直接用于 Jupyter Notebook 中。有很多办法来测试、编译和发布 Cython 代码。Cython 甚至可以像 Python 一样直接用于 Jupyter Notebook 中。

安装Cython只需要一行pip：

pip install cython

使用Cython需要安装C语言编译器，因此，安装过程会根据你当前的操作系统而有所不同。对于Linux，通常使用GNU C编译器（gncc）。对于Mac OS，你可以下载Xcode以获取gncc。而Windows 桌面系统下安装C编译器会更复杂。

使用 %load_ext Cython 指令在 Jupyter notebook 中加载 Cython 扩展。

然后通过指令 %%cython，我们就可以像 Python 一样在 Jupyter notebook 中使用 Cython。

如果在执行 Cython 代码的时候遇到了编译错误，请检查 Jupyter 终端的完整输出信息。

大多数情况下可能都是因为在 %%cython 之后遗漏了 -+ 标签（比如当你使用 spaCy Cython 接口时）。如果编译器报出了关于 Numpy 的错误，那就是遗漏了 import numpy。

如果你要在在IPython中使用Cython：

首先介绍一下IPython Magic命令。Magic命令以百分号开头，通常有2种类型：

• 单行Magic由单个'％'表示，并且仅在一行输入上操作。

• 单元格Magic用两个'％'表示，并在多行输入上操作。

首先运行下列语句引入Cython：

%load_ext Cython

然后，当运行Cython代码时，我们需要加入以下Cython 代码：

%%cython

然后就可以愉快地使用Cython了。

使用Cython时，变量和函数有两组不同的类型。

对于变量，我们有：

• cdef int a, b, c

• cdef char *s

• cdef float x = 0.5 (single precision)

• cdef double x = 63.4 (double precision)

• cdef list names

• cdef dict goals_for_each_play

• cdef object card_deck

注意所有这些类型都来自C / C++ !

• def - 常规Python函数，仅从Python调用。

• cdef - 仅限Cython函数，接受Python对象或C值作为参数，并且可以返回Python对象或C值，cdef函数不能直接在Python中调用。

• cpdef - 接受Python对象或C值作为参数，并且可以返回Python对象或C值。

我们可以方便的向C代码传递和返回结果，Cython会自动为我们做相应的类型转化。

了解了Cython类型之后，我们就可以直接实现加速了!

我们要做的第一件事是设置Python代码基准：用于计算数字阶乘的for循环。原始Python代码如下：

def test(x):
     y = 1
     for i in range(x+1):
        y *= i
     return y

Cython的实现过程看起来非常相似。首先，确保Cython代码文件具有 .pyx 扩展名。这些文件将被 Cython 编译器编译成 C 或 C++ 文件，再进一步地被 C 编译器编译成字节码文件。

你也可以使用 pyximport 将一个 .pyx 文件直接加载到 Python 程序中：

import pyximport; pyximport.install()
import my_cython_module

你也可以将自己的 Cython 代码作为 Python 包构建，然后像正常的 Python 包一样将其导入或者发布。不过这种做法需要花费更多的时间，特别是你需要让 Cython 包能够在所有的平台上运行。如果你需要一个参考样例，不妨看看 spaCy 的安装脚本：

https://github.com/explosion/spaCy/blob/master/setup.py?source=post_page---------------------------

最终 Python 解释器将能够调用这些字节码文件。对代码本身的惟一更改是，我们已经声明了每个变量和函数的类型。

cpdef int test(int x):
     cdef int y = 1
     cdef int i
     for i in


    
 range(x+1):
         y *= i
     return y

注意函数有一个cpdef来确保我们可以从Python调用它。另外看看我们的循环变量 i 是如何具有类型的。你需要为函数中的所有变量设置类型，以便C编译器知道使用哪种类型！

接下来，创建一个 setup.py 文件，该文件将Cython代码编译为C代码：

from distutils.core import setup
from Cython.Build import cythonize

setup(ext_modules = cythonize('run_cython.pyx'))

并执行编译：

python setup.py build_ext --inplace

Boom！我们的C代码已经编译好，可以使用了!

你将看到，在Cython代码所在的文件夹中，拥有运行C代码所需的所有文件，包括 run_cython.c 文件。如果你感兴趣，可以查看一下Cython生成的C代码！

现在我们准备测试新的C代码！查看下面的代码，它将执行一个速度测试，将原始Python代码与Cython代码进行比较。

现在我们准备测试我们新的超快速C代码了！查看下面的代码，它执行速度测试以将原始Python代码与Cython代码进行比较。

import run_python
import run_cython
import time

number = 10

start = time.time()
run_python.test(number)
end = time.time()

py_time = end - start
print("Python time = {}".format(py_time))

start = time.time()
run_cython.test(number)
end = time.time()

cy_time = end - start
print("Cython time = {}".format(cy_time))

print("Speedup = {}".format(py_time / cy_time))

Cython可以让你在几乎所有原始Python代码上获得良好的加速，而不需要太多额外的工作。需要注意的关键是，循环次数越多，处理的数据越多，Cython可以提供的帮助就越多。

查看下表，该表显示了Cython为不同的阶乘值提供的速度我们使用Cython获得了超过 36倍 的加速！

当我们在操作字符串时，要如何在 Cython 中设计一个更加高效的循环呢？spaCy是个不错的选择！

spaCy 中所有的unicode字符串（the text of a token, its lower case text, its lemma form, POS tag label, parse tree dependency label, Named-Entity tags…）都被存储在一个称为 StringStore 的数据结构中，它通过一个64位哈希码进行索引，例如C类型的 uint64_t。

StringStore对象实现了Python unicode字符串与 64 位哈希码之前的查找映射。

它可以spaCy的任何地方和任意对象进行访问，例如 npl.vocab.strings、doc.vocab.strings 或者 span.doc.vocab.string。

当某模块需要在某些标记上获得更快的处理速度时，可以使用C语言类型的64位哈希码代替字符串来实现。调用StringStore查找表将返回与该哈希码相关联的Python unicode字符串。

但是spaCy能做的可不仅仅只有这些，它还允许我们访问文档和词汇表完全填充的C语言类型结构，我们可以在Cython循环中使用这些结构，而不必去构建自己的结构。

spaCy拓展：

https://spacy.io/api/cython?source=post_page---------------------------

建立一个脚本用于创建一个包含有 10 份文档的列表，每份文档都大概含有 17 万个单词，采用 spaCy 进行分析。当然我们也可以对 17 万份文档（每份文档包含 10 个单词）进行分析，但是这样做会导致创建的过程非常慢，所以我们还是选择了 10 份文档。

我们想要在这个数据集上展开某些自然语言处理任务。例如，我们可以统计数据集中单词「run」作为名词出现的次数（例如，被 spaCy 标记为「NN」词性标签）。

采用Python循环来实现上述分析过程非常简单和直观：

    
import urllib.request
import spacy

with urllib.request.urlopen('https://raw.githubusercontent.com/pytorch/examples/master/word_language_model/data/wikitext-2/valid.txt') as response:
 text = response.read()
nlp = spacy.load('en')
doc_list = list(nlp(text[:800000].decode('utf8')) for i in range(10))

这段代码至少需要运行 1.4 秒才能获得答案。如果我们的数据集中包含有数以百万计的文档，为了获得答案，我们也许需要花费超过一天的时间。

我们也许能够采用多线程来实现加速，但是在Python中这种做法并不是那么明智，因为你还需要处理全局解释器锁（GIL）。在Cython中可以无视GIL的存在而尽情使用线程加速。但不能再使用Python中的字典和列表，因为Python中的变量都自动带了锁（GIL）。还好Cython已经封装了C++标准库中的容器：deque，list，map，pair，queue，set，stack，vector。完全可以替代Python的dict, list, set等。

我们使用Cython就可以解决这个，但不能再使用Python中的字典和列表，因为Python中的变量都自动带了锁（GIL）。还好Cython已经封装了C++标准库中的容器：deque，list，map，pair，queue，set，stack，vector。完全可以替代Python的dict, list, set等。

另外请注意，Cython也可以使用多线程！Cython在后台可以直接调用OpenMP。

https://cython.readthedocs.io/en/latest/src/userguide/parallelism.html?source=post_page---------------------------

现在让我们尝试使用spaCy和Cython来加速 Python 代码。

首先需要考虑好数据结构，我们需要一个C类型的数组来存储数据，需要指针来指向每个文档的 TokenC 数组。我们还需要将测试字符（「run」和「NN」）转成 64 位哈希码。

当所有需要处理的数据都变成了C类型对象，我们就可以以纯C语言的速度对数据集进行迭代。

以下是被转换成Cython和spaCy的实现：

%%cython -+
import numpy
from cymem.cymem cimport Pool
from spacy.tokens.doc cimport Doc
from spacy.typedefs cimport hash_t
from spacy.structs cimport TokenC

cdef struct DocElement:
 TokenC* c
 int length

cdef int fast_loop(DocElement* docs, int n_docs, hash_t word, hash_t tag):



    
 cdef int n_out = 0
 for doc in docs[:n_docs]:
 for c in doc.c[:doc.length]:
 if c.lex.lower == word and c.tag == tag:
 n_out += 1
 return n_out

def main_nlp_fast(doc_list):
 cdef int i, n_out, n_docs = len(doc_list)
 cdef Pool mem = Pool()
 cdef DocElement* docs = mem.alloc(n_docs, sizeof(DocElement))
 cdef Doc doc
 for i, doc in enumerate(doc_list):
 docs[i].c = doc.c
 docs[i].length = (doc).length
 word_hash = doc.vocab.strings.add('run')
 tag_hash = doc.vocab.strings.add('NN')
 n_out = fast_loop(docs, n_docs, word_hash, tag_hash)

在Jupyter notebook上，这段Cython代码运行了大概20毫秒，比之前的纯Python循环快了大概 80倍。

使用Jupyter notebook单元编写模块的速度很可观，它可以与其它 Python 模块和函数自然地连接：在 20 毫秒内扫描大约 170 万个单词，这意味着我们每秒能够处理高达 8 千万个单词。

如果你已经了解C语言，Cython还允许访问C代码，而Cython的创建者还没有为这些代码添加现成的声明。例如，使用以下代码，可以为C函数生成Python包装器并将其添加到模块dict中。

%%cython
cdef extern from "math.h":
     cpdef double sin(double x)

1、.pyx中用CDEF定义的东西，除类以外对的.py都是不可见的。

2、.c中是不能操作C类型的，如果想在.py中操作C类型就要在.pyx中从python对象转成C类型或者用含有set / get方法的C类型包裹类。

3、虽然Cython能对Python的str和C的“char *”之间进行自动类型转换，但是对于“char a [n]”这种固定长度的字符串是无法自动转换的。需要使用Cython的libc.string .strcpy进行显式拷贝。

4、回调函数需要用函数包裹，再通过C的“void *”强制转换后才能传入C函数。

0、其他：

https://cython.org/?source=post_page---------------------------

1、官方文档：

2、参考书籍（文末下载）：

Cython资料

—End—

量化投资与机器学习微信公众号，是业内垂直于Quant、MFE、CST、AI等专业的主流量化自媒体。公众号拥有来自公募、私募、券商、银行、海外等众多圈内10W+关注者。每日发布行业前沿研究成果和最新量化资讯。