3种Cython/Python函数调用的性能差异测试与分析

嘿，我来帮你理清楚这三个测试场景的核心差异，先把你的测试基础设定明确下来：你用了3个逻辑一致的函数——遍历200个整数反复累加同一数值，用timeit跑100万次对比性能，编译用的是cythonize -a -i nocdefexam...命令（这个-a参数特别有用，生成的HTML报告能直观看到哪些代码还在依赖Python解释器）。

场景1：第一个函数示例 #

首先得看这个函数的具体写法：

• 如果是纯Python风格的Cython函数（没有任何cdef类型标注，就是普通的def函数）：Cython编译后其实还是大部分走Python解释器——循环里的整数是Python对象，每次累加都要做Python层面的对象操作，遍历序列也依赖Python的list索引逻辑。这时候性能和纯Python函数差距很小，最多是Cython做了点字节码层面的微优化，核心瓶颈还是Python的对象开销。
• 如果是加了Cython静态类型标注的函数（比如cdef int total, i，把变量声明成C原生int）：性能会直接跳级——累加变成纯C的整数运算，完全绕开Python对象，循环的边界检查也会被优化掉。这时候timeit结果会比纯Python快5-20倍，具体看你标注的细致程度。

场景2：第二个函数示例（注意首个函数定义的影响） #

这里的关键是“首个函数定义的影响”，我猜你是在同一个.pyx文件里写了第二个函数，或者在同一个Python会话里先导入第一个再测第二个？

• 如果是同一个.pyx文件里的第二个函数：
  • 要是第一个函数用了cdef/cpdef，Cython编译时会共享类型信息和优化上下文，第二个结构类似的函数会得到更彻底的优化；
  • 要是第一个是暴露给Python的def函数，第二个是只能在Cython内部调用的cdef函数，那第二个的性能会高很多——因为cdef函数不需要处理Python的调用栈、参数类型检查这些额外开销；
  • 另外，如果第二个函数复用了第一个的变量类型或循环逻辑，Cython优化器会直接复用之前的编译结果，减少冗余的类型推断。
• 如果是同一个Python会话里先后导入两个函数：第一个函数加载的扩展模块会留在内存，但对第二个函数的性能影响很小，核心还是看第二个函数本身的定义方式。

场景3：置于主文件中的函数示例 #

这里的“主文件”分两种情况：

• 如果是直接写在.py主脚本里的纯Python函数：性能就是标准Python水平——每一次循环累加都要操作Python整数对象，每一步都要经过Python解释器的字节码执行。和场景1里的纯Python风格Cython函数比，性能差不多甚至略慢一点（毕竟Cython的纯def函数还是有一点点字节码优化）。
• 如果是通过pyximport之类的方式把Cython函数直接放在主脚本里：性能和场景1里的Cython函数差不多，但第一次调用会有动态编译的开销，不过timeit跑100万次的话，这点初始化开销可以忽略不计。

核心差异总结 #

为了更直观，我整理了个对比表格：

最后提个小建议：你用cythonize -a生成的HTML报告里，黄色的行就是还在调用Python解释器的代码，对着报告就能快速定位哪些地方没优化到位——比如是不是漏加了类型标注，是不是用了Python的list而不是C数组。

内容的提问来源于stack exchange，提问作者minecraftplayer1234