我需要加速一些在NumPy阵列上运行的算法。他们将使用std::vector和一些更高级的STL数据结构。
我已将我的选择缩小到Cython（现在包装大多数STL容器）和Boost.Python（现在内置支持NumPy）。
根据我作为程序员的经验，我知道有时需要月使用框架来发现其隐藏的问题（因为它们很少被门徒用作谈话点），所以你的帮助可能会为我节省很多时间。
在Cython和Boost.Python中扩展NumPy的相对优势和劣势是什么？
答案 0 :(得分：6)
这是一个非常不完整的答案，它只涵盖了它的几个小部分（如果我想到更多的话，我会编辑它）：
提升doesn't look to implement operator[] specifically for numpy arrays。这意味着operator[]将来自基类object类（ndarray继承），这意味着调用将通过Python机制到__getitem__，因此索引将慢（接近Python速度）。如果你想以速度进行索引，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自动为内置的numpy数组编制索引。
Cython并不像std::vector那样出色（尽管它并不是非常糟糕 - 你通常可以欺骗它做你想做的事情）。一个值得注意的限制是所有cdef必须在函数的开头处进行，因此C ++类在那里默认构造，然后分配给/稍后操作（这可能有些低效）。对于除了简单用途之外的任何事情，你不希望在Cython中操作C ++类型（相反，用C ++编写代码然后从Cython调用代码会更好。）
第二个限制是它与非类模板斗争。一个常见的例子是std::array，它用数字模板化。根据您计划的代码，这可能是也可能不是问题。
答案 1 :(得分：3)
对于小的一次性问题，我倾向于喜欢cython，为了与c ++代码库进行更大的集成，更喜欢使用boost Python。
在某种程度上，它取决于您的代码的受众。如果您正在与具有丰富python经验的团队合作，但使用C ++的经验很少，那么Cython就有意义了。如果你有一个复杂类型的固定代码库来进行交互操作，那么boost python最终会比运行起来便宜一些。
Cython鼓励您逐步编写，逐步添加类型以获得额外的性能并解决许多硬包装问题。 boost Python需要花费大量精力来获得构建设置，并且很难生成在PyPI上有意义的包
Cython具有良好的内置错误消息/诊断功能，但从我所看到的情况来看，来自boost的错误很难解释 - 请善待自己并使用新的c ++编译器，最好是一个用于产生可读错误消息的文件。
不要对像numba这样的替代工具进行折扣（类似于使用Python代码的cython，而不仅仅是类似的东西）和pybind11（不使用boost来提升Python并提供更好的错误消息）