c++ - 将 numpy 数组与 boost.python : pyublas or boost. numpy 交换？

Question

我正在通过 py++ 将 C++ 数据密集型库与 Python 连接起来/boost.python .在分析我的程序后，我发现 70% 的运行时间花在了如下代码上:

ni = range(v2o.getHits())
tau = np.array([v2o.TofCorrectedTime[i] for i in ni])
q = [v2o.getCharge()[i] for i in ni]

v2o.TofCorrectedTime 键入 __array_1_float_2368来自 py++。 v2o.getCharge() 的类型为 _impl_details_range_iterator_也来自 py++。大小约为 2000，从这些 py++ 数组包装器到 numpy 的转换很慢:

In [42]: timeit np.array(v2o.TofCorrectedTime)
100 loops, best of 3: 2.52 ms per loop

In [43]: timeit np.array(v2o.getCharge())
100 loops, best of 3: 4.94 ms per loop

In [44]: timeit np.array([0]*2368)
1000 loops, best of 3: 310 µs per loop

In [45]: timeit np.array(np.zeros(2368))
100000 loops, best of 3: 4.41 µs per loop

我在网上搜索了解决方案。候选人是:

1. Cython与 memoryview
2. pyublas
3. Boost.NumPy

问题和答案(更新):

• cython/memoryview容易与boost.python和py++集成吗？我想保留库包装器的其余部分。

  没有。 (吉姆的回答)

  cython c++ 包装器和 boost.python 具有本质上不同的基础结构。他们很难互相交谈。 (虽然原则上，我们可以教 py++ 输出 cython 代码。但那是另一回事了。)

  使用 Boost.NumPy 扩展当前包装器是最易于管理的方式。

• 就转换开销而言，哪一个最适合我的问题？

  (还没有确定的答案。)

谢谢

Answer 1

(免责声明:我是 Boost.NumPy 的主要作者。)

恐怕这些选项都不是特别好。以下是我认为赞成/反对分析的方式:

• Cython 拥有大量用户和开发人员，因此如果您选择该选项，您将获得更多支持。然而，它根本没有与 Boost.Python 集成，而且我认为让 Cython 对象与 Boost.Python 对话需要大量工作，更不用说 Py++ 了；您可能需要对 Cython 和 Boost.Python 的低级实现细节有相当扎实的了解才能实现这一目标。如果您想使用 Cython，您最好放弃 Py++/Boost.Python 包装器。

• Boost.NumPy 的社区要小得多，因此支持资源也更有限，但它更适合您已有的代码。 Py++ 对 Boost.NumPy 一无所知，所以它不会自动生成使用它的代码(可能是你可以教 Py++ 关于 Boost.NumPy；我对 Py++ 不够熟悉，不知道)，但它非常简单将自定义 Boost.Python 代码(以及 Boost.NumPy 代码)添加到 Py++ 项目。