在CythonvsBoost.Python中扩展NumPy的相对优势是什么？

Question

我需要加速处理NumPy数组的一些算法。他们将使用std::vector和一些更先进的STL数据结构。

我将选择范围缩小到Cython (现在封装了大多数STL容器)和Boost.Python (现在已经内置了对NumPy的支持)。

从我作为一名程序员的经验中我知道，有时需要花几个月的时间才能发现其隐藏的问题(因为这些问题很少被它的门徒用作谈话要点)，所以您的帮助可能会节省我很多时间。

在CythonvsBoost.Python中扩展NumPy的相对优势和缺点是什么？

Answer 1

这是一个非常不完整的答案，它实际上只涵盖了其中的几个小部分(如果我想到更多的内容，我会编辑它)：

促进 specifically for numpy arrays。这意味着operator[]将来自ndarray继承的基类object类，这意味着调用将通过ndarray机制传递到__getitem__，因此索引速度将很慢(接近ndarray的速度)。如果你想以最快的速度进行索引，你必须自己做指针算法：

// rough gist - untested:

// i,j,k are your indices

double* data = reinterpret_cast<double*>(array.get_data());
// in reality you'd check the dtype - the data may not be a double...

double data_element = array.strides(0)*i + array.strides(1)*j +array.strides(2)*k;

相比之下，Cython对自动内置的numpy数组进行了高效的索引。

Cython在像std::vector这样的事情上并不擅长(尽管它并不是绝对糟糕的--你通常可以骗它去做你想做的事情)。一个值得注意的限制是，所有cdef都必须在函数开始时使用，以便在那里构造默认的C++类，然后再分配给/处理(这可能有点低效)。对于除了简单使用之外的任何事情，您都不希望在Cython中操作C++类型(相反，最好用C++编写代码，然后从Cython调用它)。

第二个限制是它难以处理非类模板。一个常见的例子是std::array，它有一个数字模板。根据您计划的代码，这可能是一个问题，也可能不是一个问题。

Answer 2

对于小的一个问题，我倾向于喜欢cython，对于与c++代码库的更大集成，我更喜欢boost Python。

在某种程度上，这取决于您的代码的受众。如果您正在与一个在python方面有丰富经验但很少使用C++的团队一起工作，Cython是有意义的。如果您有一个固定的代码库，可以使用复杂的类型进行互操作，那么boost python的运行成本可能会更低一些。

Cython鼓励您以增量方式编写，根据需要逐步添加类型以获得额外的性能，并解决许多硬打包问题。boost Python需要在构建设置方面付出很大的努力，并且很难生成在PyPI上有意义的包。

Cython内置了很好的错误消息/诊断，但据我所见，boost产生的错误很难解释--对自己好一点，并使用一个新的ish c++编译器，最好是以生成可读的错误消息而闻名。

不要低估像numba这样的替代工具(与cython类似的代码是Python，而不仅仅是类似的东西)和pybind11 (boost Python和更好的错误消息)。