Question

我需要使用各种大小的2D numpy数组执行大量工作，我想将这些计算卸载到cython上。我的想法是我的2D numpy数组将从python传递到cython，在那里它将被转换为c-array或内存视图，并用于其他c级函数的级联中进行计算。

经过一些分析后，由于一些严重的python开销，我排除了在cython中使用numpy数组。使用内存视图更快，更容易使用，但我怀疑我可以使用c-arrays进一步加速。

这是我的问题 - 如何在没有使用设定值预定义其尺寸的情况下在cython中声明2D c数组？例如，我可以通过这种方式从numpy创建一个c-array：

narr = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]], dtype=np.dtype("i"))

cdef int c_arr[3][4]:
for i in range(3):
    for j in range(4):
        c_arr[i][j] = narr[i][j]

然后将其传递给函数：

cdef void somefunction(int c_Arr[3][4]):
    ...

但这意味着我有一个固定的数组sizde，在我的情况下将是无用的。所以我试过这样的事情：

narr = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]], dtype=np.dtype("i"))

cdef int a = np.shape(narr)[0]
cdef int b = np.shape(narr)[1]

cdef int c_arr[a][b]:               # INCORRECT - EXAMPLE ONLY

for i in range(a):
    for j in range(b):
        c_arr[i][j] = narr[i][j]

打算将它传递给像这样的函数：

cdef void somefunction(int a, int b, int c_Arr[a][b]):
    ...

但它不起作用，编译失败并出现错误＆＃34;不允许在常量表达式中使用＃34;。我怀疑我需要以某种方式使用malloc / free吗？我看了一下这个问题（How to declare 2D list in Cython），但它没有解决我的问题。

UPDATE：

事实证明，如果确保在内存视图中关闭cython中的indexError检查，那么内存视图可以和c-array一样快，这可以通过使用cython编译器指令来完成：

# cython: boundscheck=False

感谢@Veedrac提示！

Answer 1

你只需要停止边界检查：

with cython.boundscheck(False):
    thesum += x_view[i,j]

使速度基本达到标准。

如果您真的想要一个C数组，请尝试：

import numpy as numpy
from numpy import int32
from numpy cimport int32_t

numpy_array = numpy.array([[]], dtype=int32)

cdef:
    int32_t[:, :] cython_view = numpy_array
    int32_t *c_integers_array = &cython_view[0, 0]
    int32_t[4] *c_2d_array = <int32_t[4] *>c_integers_array

首先你得到一个Numpy数组。您可以使用它来获取内存视图。然后你得到一个指向它的数据的指针，你可以将它转换成所需步幅的指针。

Answer 2

所以在@Veedrac的宝贵帮助之后（非常感谢！）我终于想出了一个脚本，它演示了内存视图和c-array的使用，以加速Cython中的计算。它们都降低到类似的速度，所以我个人认为使用内存视图更容易。

这是一个示例cython脚本，它“接受”一个numpy数组并将其转换为内存视图或c-array，然后通过c-level函数执行简单的数组求和：

# cython: boundscheck=False

cimport cython
import numpy as np
cimport numpy as np

from numpy import int32
from numpy cimport int32_t


#Generate numpy array:
narr = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]], dtype=np.dtype("i"))

cdef int a = np.shape(narr)[0]
cdef int b = np.shape(narr)[1]
cdef int i, j

testsum = np.sum(narr)
print "Test summation: np.sum(narr) =", testsum

#Generate the memory view:
cdef int [:,:] x_view = narr

#Generate the 2D c-array and its pointer:
cdef:
    int32_t[:, :] cython_view = narr
    int32_t *c_integers_array = &cython_view[0, 0]
    int32_t[4] *c_arr = <int32_t[4] *>c_integers_array


def test1():

    speed_test_mview(x_view)  

def test2():

    speed_test_carray(&c_arr[0][0], a, b)


cdef int speed_test_mview(int[:,:] x_view):

    cdef int n, i, j, thesum

    # Define the view:
    for n in range(10000):
    thesum = 0
    for i in range(a):
        for j in range(b):
            thesum += x_view[i, j]        


cdef int speed_test_carray(int32_t *c_Arr, int a, int b):

    cdef int n, i, j, thesum
    for n in range(10000):
    thesum = 0
    for i in range(a):
        for j in range(b):
            thesum += c_Arr[(i*b)+j]

然后使用ipython shell时序测试显示类似的速度：

import testlib as t
Test summation: np.sum(narr) = 136

%timeit t.test1()
10000000 loops, best of 3: 46.3 ns per loop

%timeit t.test2()
10000000 loops, best of 3: 46 ns per loop

哦，为了比较 - 在这个例子中使用numpy数组需要125毫秒（未显示）。

如何在Cython中动态声明2D c数组

UPDATE：

2 个答案: