利用Cython加速Python循环：从元胞自动机看性能提升

今天早睡

发布时间：2026-10-13| 2人浏览过

原创

本文通过元胞自动机案例，详解如何使用Cython将Python双重循环转换为C扩展以提升执行效率。内容涵盖编写.pyx文件、配置setup.py编译脚本、处理NumPy类型定义及边界检查关闭，并展示实测结果：Cython版本较原生Python运行速度提升600倍以上，为计算密集型任务提供高效解决方案。

引言

在Python编程中，尤其是涉及多重循环的场景下，代码执行效率往往较低。参考文章https://www.jb51.net/article/133807.htm中关于元胞自动机的实现，其状态更新函数update_state采用了双重循环结构。为了改善这一性能瓶颈，本文尝试使用Cython对该方法进行了重构与优化。

代码实现

我们在项目同级目录下创建了一个名为update.pyx的文件，并编写了以下核心代码：

import numpy as np 
cimport numpy as np 
cimport cython


DTYPE = np.float
ctypedef np.float_t DTYPE_t

def update_state(np.ndarray[DTYPE_t, ndim=2] cells):
  return update_state_c(cells)

@cython.boundscheck(False)
@cython.wraparound(False)
cdef np.ndarray[DTYPE_t, ndim=2] update_state_c(np.ndarray[DTYPE_t, ndim=2] cells):
  """更新一次状态"""
  cdef unsigned int i
  cdef unsigned int j

  cdef np.ndarray[DTYPE_t, ndim=2] buf = np.zeros((cells.shape[0], cells.shape[1]), dtype=DTYPE)
  cdef DTYPE_t neighbor_num
  for i in range(1, cells.shape[0] - 1):
    for j in range(1, cells.shape[0] - 1):
      # 计算该细胞周围的存活细胞数
      
      neighbor_num = cells[i, j-1] + cells[i, j+1] + cells[i+1, j] + cells[i-1, j] +\
              cells[i-1, j-1] + cells[i-1, j+1] +\
              cells[i+1, j-1] + cells[i+1, j+1]
      
      if neighbor_num == 3:
        buf[i, j] = 1
      elif neighbor_num == 2:
        buf[i, j] = cells[i, j]
      else:
        buf[i, j] = 0
  return buf

代码中update_state_c函数上方的两个装饰器@cython.boundscheck(False)和@cython.wraparound(False)用于禁用Cython的边界检查机制，从而进一步提升循环执行的效率。

接着，我们在同一目录下创建setup.py文件，用于配置编译过程：

import numpy as np
from distutils.core import setup
from Cython.Build import cythonize

setup(
  name="Cython Update State",
  ext_modules=cythonize("update.pyx"),
  include_dirs=[np.get_include()]
)

由于Cython代码中引用了NumPy的头文件，因此必须在setup.py中通过include_dirs参数指定NumPy的包含路径，以确保编译顺利进行。

执行命令python setup.py build_ext --inplace后，同级目录下会生成一个名为update.cp36-win_amd64.pyd的文件，这便是编译完成的C扩展模块。

接下来修改原始Python代码。首先在文件头部添加import update as cupdate导入编译后的模块，随后修改状态更新方法的调用逻辑如下：

def update_state(self):
  """更新一次状态"""
  self.cells = cupdate.update_state(self.cells)
  self.timer += 1

将原有的Python版本方法重命名为update_state_py，保持其他逻辑不变。运行脚本验证无异常后，即可进行性能对比测试。

性能测试

为了量化Cython带来的性能提升，我们编写了一个专门的测试函数来对比两者的执行时间。

def test_time():
  import time
  game = GameOfLife(cells_shape=(60, 60))
  t1 = time.time()
  for _ in range(300):
    game.update_state()
  t2 = time.time()
  print("Cython Use Time:", t2 - t1)
  del game
  game = GameOfLife(cells_shape=(60, 60))
  t1 = time.time()
  for _ in range(300):
    game.update_state_py()
  t2 = time.time()
  print("Native Python Use Time:", t2 - t1)

在配置好的测试环境中运行该测试方法，在我的电脑上得到的输出结果如下：