Cython: The best of both worlds




Download 410,71 Kb.
Pdf ko'rish
bet2/12
Sana16.11.2023
Hajmi410,71 Kb.
#100091
1   2   3   4   5   6   7   8   9   ...   12
Bog'liq
cython cise

Introduction
Python’s success as a platform for scientific com-
puting to date is primarily due to two factors.
First, Python tends to be readable and concise,
leading to a rapid development cycle.
Second,
Python provides access to its internals from C via
the Python/C API. This makes it possible to in-
terface with existing C, C++, and Fortran code,
as well as write critical sections in C when speed
is essential.
Though Python is plenty fast for many tasks, low-
level computational code written in Python tends
to be slow, largely due to the extremely dynamic
nature of the Python language itself. In particu-
lar, low-level computational loops are simply in-
feasible. Although NumPy
[NumPy]
eliminates
∗
Personal use of this material is permitted. Permission
from IEEE must be obtained for all other users, includ-
ing reprinting/ republishing this material for advertising
or promotional purposes, creating new collective works for
resale or redistribution to servers or lists, or reuse of any
copyrighted components of this work in other works.
the need for many such loops, there are always
going to be computations that can only be ex-
pressed well through looping constructs. Cython
aim to be a good companion to NumPy for such
cases.
Given the magnitude of existing, well-tested code
in Fortran and C, rewriting any of this code in
Python would be a waste of our valuable re-
sources. A big part of the role of Python in sci-
ence is its ability to couple together existing com-
ponents instead of reinventing the wheel. For in-
stance, the Python-specific SciPy library contains
over 200 000 lines of C++, 60 000 lines of C, and
75 000 lines of Fortran, compared to about 70 000
lines of Python code. Wrapping of existing code
for use from Python has traditionally been the
domain of the Python experts, as the Python/C
API has a high learning curve. While one can use
such wrappers without ever knowing about their
internals, they draw a sharp line between users
(using Python) and developers (using C with the
Python/C API).
Cython solves both of these problems, by com-
piling Python code (with some extensions) di-
rectly to C, which is then compiled and linked
against Python, ready to use from the interpreter.
Through its use of C types, Cython makes it
possible to embed numerical loops, running at
C speed, directly in Python code. Cython also
significantly lowers the learning curve for calling
C, C++ and Fortran code from Python. Using
Cython, any programmer with knowledge of both
Python and C/C++/Fortran can easily use them
together.
1

In this paper, we present an overview of the
Cython language and the Cython compiler in
several examples. We give guidelines on where
Cython can be expected to provide signifi-
cantly higher performance than pure Python and
NumPy code, and where NumPy is a good choice
in its own right. We further show how the Cython
compiler speeds up Python code, and how it can
be used to interact directly with C code. We also
cover Fwrap, a close relative of Cython. Fwrap
is used for automatically creating fast wrappers
around Fortran code to make it callable from C,
Cython, and Python.
Cython is based on Pyrex
[Pyrex]
by Greg Ew-
ing. It’s been one of the more friendly “forks” in
open source, and we are thankful for Greg’s co-
operation. The two projects have somewhat dif-
ferent goals. Pyrex aims to be a “smooth blend
of Python and C”, while Cython focuses more
on preserving Python semantics where it can.
Cython also contains some features for numeri-
cal computation that are not found in Pyrex (in
Download 410,71 Kb.
1   2   3   4   5   6   7   8   9   ...   12




Download 410,71 Kb.
Pdf ko'rish