用boost.python交换numpy数组:pyublas或boost.numpy？

Question

我通过py ++/boost.python将C++数据密集库与Python连接起来.在对我的程序进行概要分析后,我发现70%的运行时间花费在这样的代码上:

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从PY ++.v2o.getCharge()也是从py ++中键入的_impl_details_range_iterator_.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

我在网上搜索了一个解决方案.候选人是:

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

问题与解答(更新):

• cython/memoryview是否易于与boost.python和py ++集成？我想保留库包装的其余部分.

  不.(吉姆的回答)

  cython c ++包装器和boost.python具有内在不同的基础结构.他们很难相互交谈.(虽然原则上我们可以教py ++输出cython代码.但这是另一个故事.)

  使用Boost.NumPy扩展当前包装是最易于管理的方式.

• 在转换开销方面哪一个最适合我的问题？

  (还没有确切的答案.)

谢谢

Answer 1

(免责声明:我是Boost.NumPy的主要作者.)

我担心这些选项都不是特别棒.以下是我认为pro/con分析的方法:

• Cython拥有大量的用户和开发人员,因此如果您使用该选项,您将获得更多支持.但是,它根本没有与Boost.Python集成,我认为使Cython对象与Boost.Python交流是一项巨大的工作,更不用说Py ++了.你可能需要非常了解Cython和Boost.Python的低级实现细节才能实现这一目标.如果你想使用Cython,你可能最好不要废弃你的Py ++/Boost.Python包装器.

• Boost.NumPy拥有一个更小的社区,因此支持资源更加有限,但它更适合您已有的代码.Py ++对Boost.NumPy一无所知,因此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 ++知之甚少不够熟悉),但它非常直接将自定义Boost.Python代码(以及Boost.NumPy代码)添加到Py ++项目中.