一、前言

python語言是目前比較火的語言，很容易上手，對數據處理也比較友好，可以用幾行代碼就能進行一些簡單的數據處理工作。但是對于稍微大型的數值計算，或者一些涉及到大量循環的數值計算python的計算速度有點讓人失望。

即使是使用numpy對算法算法進行優化，能提升的空間都非常有限了，當然網上有一行代碼就提升100倍這種帖子，就是使用numba，但用了這個之后感受并不是太好，對于一個簡單循環或許可以加速，對于復雜的循環效果也許并不好(可能是我不會使用，對numba沒有太深入的研究)。

想要提升python的數值計算，目前看到比較好的解決方案就是用C給python寫計算的lib，如果僅是數值計算，其實涉及到的C++語言的知識并不太多，基本就是for循環，if判斷，以及一些STL庫，個人覺得性價比還是挺高的。

python調用C進行數值計算最大難點就是如何進行數據交換，也就是如何把輸入參數的指針傳遞給C，以及如何返回輸出參數指針給python。有大神早就將這些都封裝好了，就是使用pybind11。

二、pybind11簡介

pybind11定義了一些python數據結構和C++的對應關系，使得數據交換變得非常簡單，接下來簡單介紹數值計算主要用的一些pybind11用到的知識。

1)獲取pybind11

想要用到pybind11的功能當然得有pybind11的代碼，網上可以直接下載到pybind11-master.rar文件，只需要下載到本地，然后解壓就可以了。

2)cpp基本結構介紹

接下來直接就寫代碼吧，用Visual Studio創建個cpp文件(不會安裝vs的可以自行百度安裝一下，這個不是本文重點就不介紹了)，本文使用的是VS2015。

首先include一些頭文件。Emm…反正感覺會用的先include進來應該沒錯了。

?

接下來include本文的重點也就是pybind11的頭文件。

然后修改下命名空間，只是為了書寫方便和import pandas as pd一個道理。

接下來要定義模塊的入口。

其中calc就是在python調用時候的模塊名稱，m是在C++文件中的模塊實例，可以通過m.doc()給這個模塊寫下文檔，一般就是這個模塊是干什么的，可以在python環境help該模塊名來查看，接下來通過m.def定義函數名，第一個參數是字符串，是在python調用時候的函數名，第二個參數是C++文件中的對應函數名稱，三個參數是該函數的介紹。

以上寫完之后就可以愉快的開始寫函數了，整個cpp的結構大致就是下面這樣了。

分別是頭文件，命名空間，函數區，函數導出區。本文也按照常規套路hello world一把。

3)編譯cpp成pyd文件

接下來需要通過編譯器將cpp文件編譯成python的pyd文件，首先要找到vs的x64本機工具命令提示符，本文以vs2015為例，在開始菜單直接搜索vs2015會出來以下選項(前提是你已經裝了正確安裝vs)。然后選擇VS2014 x64 本機工具命令提示符(注意一定要是x64的)。

打開之后通過cd /d 路徑，這個命令將路徑切換到cpp所在路徑。然后輸入以下命令

其中calc.cpp是待編譯的cpp文件，路徑1需要替換成前文獲取到的pybind11-master文件夾下的include文件夾的所在路徑，路徑2需要替換成python安裝路徑的include文件夾的所在路徑，路徑3替換成python安裝路徑下的libs文件夾的所在路徑，calc.pyd是生成的pyd名稱，需要和cpp中模塊名一致。

輸入上述代碼回車之后，編譯成功會有如下信息打印，同時在cpp所在路徑會產生四個文件，我們需要的只是后綴為.pyd的文件。

4)python執行

之后打開前文編譯所有的python環境來進行測試，注意這里編譯的pyd不同python版本是不能共用的(即python3.5編譯出來的文件，python3.6并不能調用)，有時同樣是3.6編譯出來的也不能使用，這個還沒研究是怎么一個兼容關系。

python調用pyd文件，一種簡單的方法是用sys模塊直接加入pyd文件所在路徑，就可以直接調用，或者也可拷貝pyd文件到python能找到的路徑下，比如python的安裝路徑下。然后執行寫好的函數就有如下結果。

?

好的到此咱們已經完成了整個從下載所需文件，到cpp文件書寫，然后對cpp進行編譯，最后在python執行的全過程。

5)pybind11數據結構介紹

在數值計算用的最多的結構是array_t<>，可以是array_t，array_t或者array_t，當然用的最多的肯定是array_t了。

以上是一個兩個矩陣輸入，同時輸出函數也是一個矩陣的函數聲明，在array_t里面封裝了數據矩陣的指針以及數據矩陣的大小。

通過以上方法獲得了兩個數據指針ptr1和ptr2，以及第一個矩陣的大小。

接下來定義輸出參數，申請內存并獲得數據指針。

?

上述簡單介紹了py::array_t的基本用法，pybind11還定義了py::list等等數據封裝內容這些可以自行查看pybind11文檔或者相應的pdf文檔。

pybind11文檔https://pybind11.readthedocs.io/en/master/intro.html

6)讀取和數據存儲

為了方便代碼書寫，本文會獲得的指針進行宏定義，使得代碼更有可讀性，這里就涉及到了數據存儲方式的問題。

這里示范的書寫方法是默認輸入矩陣和輸出矩陣都是按行存儲，這一點特別需要注意，其中numpy里的array數據默認是按行存儲，也就是不管何種存儲方式，只要對array數據進行copy操作之后，返回的數據都是按行存儲。所以一般用array數據矩陣作為C函數輸入時，進行copy操作是比較穩妥的方式，但是當矩陣較大時，進行矩陣的深拷貝的速度往往會很慢，甚至可能大于計算所需要的時間。

python常用的庫還有pandas，DataFrame數據的存儲默認是按列存儲，也就是從通過某個dataframe數據.values的方法獲得的array數據矩陣，默認是按列存儲。

那么如何知道一個array數據矩陣是按行存儲還是按列存儲呢，array數據有相應參數進行說明。

array數據矩陣的flags屬性下，有f_contiguous和c_contiguous這兩個布爾類型的屬性，當c_contiguous為真時，矩陣是按行存儲，當f_contiguous為真時，矩陣是按列存儲。其中f好像是表示Fortran語言，這種語言主要用來進行科學計算，是按列存儲，據網上說超大型的數值計算都是用這種語言。c表示C語言，c語言是按行存儲。平時用的比較多的數值計算的還有matlab，matlab是按列存儲的。貌似對于截面數據來說，進行時間序列上的操作確實是按列存儲比較占優。

7)C++函數結構

對于一個常用的輸入為矩陣，輸出也為矩陣的函數來說，大致的函數結構如下。

分為輸入參數獲取，輸出參數定義，數據矩陣宏定義，運算邏輯，以及結果的返回。基本上的函數書寫，僅需要關注運算邏輯如何書寫，其他幾部分內容都是相對固定的。

三、后語

前文內容詳細介紹了如何構建整個cpp的內容結構，C++函數的內容結構，以及pybind11最常用的py::array_t的介紹。在給python寫調用函數時，只需要專注于C++函數內容的運算邏輯區的代碼即可，可以說已經非常簡單了。

文中提到的pybind11-master.rar，pybind11用戶pdf文檔，關注本公眾號回復【加速一】就可以獲得。

這個只是本系列的第一篇介紹，后續有使得你運行速度更快的詳細介紹，期待你的運算速度可以起飛~~~~

總結

以上是生活随笔為你收集整理的C 怎么读取Cpp文件_python之调用C加速计算(一)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。