まず、関数内に変数を入力する必要があるようです。その良い例がここにあります。
2 つ目はcython -a、"annotate" の場合、cython コンパイラによって生成されたコードの非常に優れた内訳と、それがどの程度汚れているか (読み取り: python api が重い) を色分けして示します。この出力は、何かを最適化しようとするときに非常に重要です。
第 3 に、 Numpyの操作に関する今や有名なページでは、Numpy 配列データへの高速な C スタイルのアクセスを取得する方法が説明されています。残念ながら、それは冗長で面倒です。ただし、最近の Cython ではTyped Memory Viewsが提供されており、これは使いやすく素晴らしいものです。他のことをしようとする前に、そのページ全体を読んでください。
10分かそこらの後、私はこれを思いつきました：
# cython: infer_types=True
# Use the C math library to avoid Python overhead.
from libc cimport math
# For boundscheck below.
import cython
# We're lazy so we'll let Numpy handle our array memory management.
import numpy as np
# You would normally also import the Numpy pxd to get faster access to the Numpy
# API, but it requires some fancier compilation options so I'll leave it out for
# this demo.
# cimport numpy as np
import random
# This is a small function that doesn't need to be exposed to Python at all. Use
# `cdef` instead of `def` and inline it.
cdef inline int h3(int a,int b,int c,int d, int m,int x):
return (a*x**2 + b*x+c) % m
# If we want to live fast and dangerously, we tell cython not to check our array
# indices for IndexErrors. This means we CAN overrun our array and crash the
# program or screw up our stack. Use with caution. Profiling suggests that we
# aren't gaining anything in this case so I leave it on for safety.
# @cython.boundscheck(False)
# `cpdef` so that calling this function from another Cython (or C) function can
# skip the Python function call overhead, while still allowing us to use it from
# Python.
cpdef floyd(int[:] inputx):
# Type the variables in the scope of the function.
cdef int a,b,c,d, value, cyclelimit
cdef unsigned int dupefound = 0
cdef unsigned int nohashcalls = 0
cdef unsigned int loopno, pos, j
# `m` has type int because inputx is already a Cython memory view and
# `infer-types` is on.
m = inputx.shape[0]
cdef unsigned int loops = int(m*math.log(m))
# Again using the memory view, but letting Numpy allocate an array of zeros.
cdef int[:] listofpos = np.zeros(m, dtype=np.int32)
# Keep this random sampling out of the loop
cdef int[:, :] randoms = np.random.randint(0, m, (loops, 5)).astype(np.int32)
for loopno in range(loops):
if (dupefound == 1):
break
# From our precomputed array
a = randoms[loopno, 0]
b = randoms[loopno, 1]
c = randoms[loopno, 2]
d = randoms[loopno, 3]
pos = randoms[loopno, 4]
value = inputx[pos]
# Unforunately, Memory View does not support "vectorized" operations
# like standard Numpy arrays. Otherwise we'd use listofpos *= 0 here.
for j in range(m):
listofpos[j] = 0
listofpos[pos] = 1
setofvalues = set((value,))
cyclelimit = int(math.sqrt(m))
for j in range(cyclelimit):
pos = h3(a, b, c, d, m, inputx[pos])
nohashcalls += 1
if (inputx[pos] in setofvalues):
if (listofpos[pos]==1):
dupefound = 0
else:
dupefound = 1
print "Duplicate found at position", pos, " and value", inputx[pos]
break
listofpos[pos] = 1
setofvalues.add(inputx[pos])
return dupefound, nohashcalls
docs.cython.orgで説明されていないトリックはここにはありません。ここで私は自分でそれらを学びましたが、すべてが一緒になっていることを確認するのに役立ちます.
元のコードに対する最も重要な変更はコメントにありますが、それらはすべて、Python API を使用しないコードを生成する方法について Cython にヒントを与えることになります。
余談ですinfer_typesが、デフォルトで がオンになっていない理由は本当にわかりません。これにより、コンパイラーは可能な限り Python の型ではなく C の型を暗黙的に使用できるようになり、作業が軽減されます。
これを実行するcython -aと、Python を呼び出す行は、random.sample への呼び出しと、Python set() のビルドまたは追加だけであることがわかります。
私のマシンでは、元のコードは 2.1 秒で実行されます。私のバージョンは 0.6 秒で実行されます。
次のステップは、そのループから random.sample を取得することですが、それはあなたに任せます。
回答を編集して、ランドサンプルを事前計算する方法を示しました。これにより、時間が0.4 秒に短縮されます。