Cython 中的 NumPy：编译时类型与原始类型

Question

在 Cython 中，有与 NumPy 相对应的编译时类型。看起来编译时类型比原始类型更快。如果我们将它们与 C 类型结合起来，例如，可以使用三个关键字来定义整数类型：

int

、

np.int

、

np.int_t

。

在官方教程中，都使用了这三种类型。这让我感到很困惑。这是我的问题：

使用单一数据类型来获得更好的性能是否正确？还有，我应该选择哪种类型？如果使用单一数据类型不正确，那么我应该如何确定在程序的不同部分使用哪种类型？

Answer 1

看来这个教程已经非常过时了。 NumPy 没有

int_t

，并且

int

已弃用（

np.int

，而不是

int

）。

所以我想这回答了使用哪个 int 选项的问题。只有

int

，默认为

np.int64

（至少在我的机器上，也可能是

np.int32

）。

但是，请注意，

int

有不同的大小选项，例如

int32

和

int64

，如果您知道要存储的整数的大小，则可以在其中进行选择。

Answer 2

不幸的是，另一个答案部分正确，并且 Cython 文档看起来不幸部分已经过时。

因此，本质上有两种情况可以将 Numpy 类型与 Cython 结合使用：

1. 这些 Python 对象可以作为

   dtype=

   参数传递给 Numpy 函数。这些向 Numpy 指示要创建什么类型的数组。从 Cython 的角度来看，它们与任何其他 Python 对象相同。然而，Numpy 将它们视为特殊指标。

   np.int

   就是其中的一个示例（但现在已被删除，转而只使用普通的 Python

   int

   ）。不过，像

   np.int32

   这样的特定大小的整数数据类型仍然可用。

   arr = np.zeros((5,10), dtype=np.int)
   

   这些不是 Cython 特定的。它们与您在普通 Python 代码中使用的相同。

2. 第二种用途是作为 C 整数类型。

   np.int_t

   确实存在（这是另一个答案错误的地方）。但是，它是一个 C typedef，仅在包装 Cython 的 Numpy 内部结构的 .pxd 文件中公开。它们是您从 Numpy

   cimport

   得到的，而不是您从 Numpy

   import

   得到的。

   您可以在需要 C 类型的任何地方使用这些类型（例如

   cdef int_t some_var

   或

   cdef int_t[:] some_memoryview

   ）。它们基本上与

   dtypes

   具有相同的名称，但末尾带有

   _t

   。

作为如何将两者结合起来的示例，您可以创建一个 2D 内存视图，并为其分配一个数组以使用该行进行查看

cdef np.int32_t[:,:] mview = np.zeros((5, 10), dtype=np.int32)

普通的

int

类型在 Cython 中有两种含义。它可以用作普通的 Python 整数对象（例如，您可以将其作为

dtype

参数传递）。然而，在其他上下文中，Python 将其解释为 C 整数。因此你可以这样做

cdef int[:,:] mview = np.zeros((5, 10), dtype=int)

这也行得通。第一次使用它作为 C 类型。第二个是普通的 Python 对象。

这有点令人困惑，因为 Cython 跨越了 Python（其中类型只是 Python 对象，就像任何其他 Python 对象一样）和 C（其中类型用于声明变量，但不是本身要传递的对象）并且它并不总是清楚哪些位类似于 C，哪些位类似于 Python。