我们来看看这个python函数：
def py_fun(i,N,step):
res=0.0
while i<N:
res+=i
i+=step
return res
并使用 ipython-magic 来计时：
In [11]: %timeit py_fun(0.0,1.0e5,1.0)
10 loops, best of 3: 25.4 ms per loop
解释器将运行生成的字节码并对其进行解释。但是，我们可以通过使用 cython for/cythonizing 相同的代码来删除解释器：
%load_ext Cython
%%cython
def cy_fun(i,N,step):
res=0.0
while i<N:
res+=i
i+=step
return res
我们为此获得了 50% 的加速：
In [13]: %timeit cy_fun(0.0,1.0e5,1.0)
100 loops, best of 3: 10.9 ms per loop
当我们查看生成的 c 代码时，我们看到直接调用了正确的函数，而无需解释/调用 ceval，这里是在剥离样板代码之后：
static PyObject *__pyx_pf_4test_cy_fun(CYTHON_UNUSED PyObject *__pyx_self, PyObject *__pyx_v_i, PyObject *__pyx_v_N, PyObject *__pyx_v_step) {
...
while (1) {
__pyx_t_1 = PyObject_RichCompare(__pyx_v_i, __pyx_v_N, Py_LT);
...
__pyx_t_2 = __Pyx_PyObject_IsTrue(__pyx_t_1);
...
if (!__pyx_t_2) break;
...
__pyx_t_1 = PyNumber_InPlaceAdd(__pyx_v_res, __pyx_v_i);
...
__pyx_t_1 = PyNumber_InPlaceAdd(__pyx_v_i, __pyx_v_step);
}
...
return __pyx_r;
}
然而，这个 cython 函数处理 python 对象而不是 c 样式的浮点数，所以在函数 PyNumber_InPlaceAdd 中，有必要弄清楚这些对象（整数、浮点数、其他什么？）到底是什么并调度调用正确的函数来完成这项工作。
在 cython 的帮助下，我们还可以消除这种调度的需要并直接调用浮点数的乘法：
%%cython
def c_fun(double i,double N, double step):
cdef double res=0.0
while i<N:
res+=i
i+=step
return res
在这个版本中，i、N、step 和 res 是 c 风格的双精度对象，不再是 python 对象。所以不再需要像PyNumber_InPlaceAdd这样调用dispatch-functions，而是可以直接调用+-operator for double：
static PyObject *__pyx_pf_4test_c_fun(CYTHON_UNUSED PyObject *__pyx_self, double __pyx_v_i, double __pyx_v_N, double __pyx_v_step) {
...
__pyx_v_res = 0.0;
...
while (1) {
__pyx_t_1 = ((__pyx_v_i < __pyx_v_N) != 0);
if (!__pyx_t_1) break;
__pyx_v_res = (__pyx_v_res + __pyx_v_i);
__pyx_v_i = (__pyx_v_i + __pyx_v_step);
}
...
return __pyx_r;
}
结果是：
In [15]: %timeit c_fun(0.0,1.0e5,1.0)
10000 loops, best of 3: 148 µs per loop
现在，与没有解释器但有调度的版本相比，这几乎提高了 100 倍。
实际上，说 dispatch+allocation 是这里的瓶颈（因为消除它会导致几乎 100 倍的加速）是一个谬误：解释器负责超过 50% 的运行时间（15 ms) 并“仅”调度和分配 10ms。
但是，性能上除了“解释器”和动态调度之外还有更多问题：Float 是不可变的，因此每次更改时都必须在垃圾收集器中创建和注册/注销新对象。
我们可以引入可变浮点数，它们在原地改变，不需要注册/注销：
%%cython
cdef class MutableFloat:
cdef double x
def __cinit__(self, x):
self.x=x
def __iadd__(self, MutableFloat other):
self.x=self.x+other.x
return self
def __lt__(MutableFloat self, MutableFloat other):
return self.x<other.x
def __gt__(MutableFloat self, MutableFloat other):
return self.x>other.x
def __repr__(self):
return str(self.x)
时间安排（现在我用的是不同的机器，所以时间安排有点不同）：
def py_fun(i,N,step,acc):
while i<N:
acc+=i
i+=step
return acc
%timeit py_fun(1.0, 5e5,1.0,0.0)
30.2 ms ± 1.12 ms per loop (mean ± std. dev. of 7 runs, 10 loops each
%timeit cy_fun(1.0, 5e5,1.0,0.0)
16.9 ms ± 612 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit i,N,step,acc=MutableFloat(1.0),MutableFloat(5e5),MutableFloat(1
...: .0),MutableFloat(0.0); py_fun(i,N,step,acc)
23 ms ± 254 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit i,N,step,acc=MutableFloat(1.0),MutableFloat(5e5),MutableFloat(1
...: .0),MutableFloat(0.0); cy_fun(i,N,step,acc)
11 ms ± 66.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
不要忘记重新初始化i，因为它是可变的！结果
immutable mutable
py_fun 30ms 23ms
cy_fun 17ms 11ms
因此，在带有解释器的版本中注册/取消注册浮点数最多需要 7 毫秒（大约 20%）（我不确定是否有其他东西在起作用），而在没有解释器的版本中则需要超过 33%口译员。
现在的样子：
- 40% (13/30) 的时间由口译员使用
- 多达 33% 的时间用于动态调度
- 最多 20% 的时间用于创建/删除临时对象
- 大约 1% 用于算术运算
另一个问题是数据的局部性，这对于内存带宽限制问题变得很明显：如果数据线性处理一个接一个连续的内存地址，现代缓存工作得很好。这适用于循环 std::vector<>（或 array.array），但不适用于循环 python 列表，因为该列表由可以指向内存中任何位置的指针组成。
考虑以下 python 脚本：
#list.py
N=int(1e7)
lst=[0]*int(N)
for i in range(N):
lst[i]=i
print(sum(lst))
和
#byte
N=int(1e7)
b=bytearray(8*N)
m=memoryview(b).cast('L') #reinterpret as an array of unsigned longs
for i in range(N):
m[i]=i
print(sum(m))
它们都创建1e7 整数，第一个版本是 Python 整数，第二个版本是连续放置在内存中的低级 c-int。
有趣的是，这些脚本产生了多少缓存未命中 (D)：
valgrind --tool=cachegrind python list.py
...
D1 misses: 33,964,276 ( 27,473,138 rd + 6,491,138 wr)
对
valgrind --tool=cachegrind python bytearray.py
...
D1 misses: 4,796,626 ( 2,140,357 rd + 2,656,269 wr)
这意味着 python 整数的缓存未命中次数增加了 8 倍。部分原因是因为 python 整数需要超过 8 个字节（可能是 32 个字节，即因子 4）的内存和（也许，不是 100% 肯定，因为相邻的整数是一个接一个地创建的，所以机会很高，它们在内存中的某个位置一个接一个地存储，需要进一步调查）一些原因是它们在内存中没有对齐，因为bytearray的c整数就是这种情况。