Cython加速需三步：写.pyx、setup.py（用setuptools+cythonize）、build_ext；仅计算密集且类型明确的代码有效，cdef声明C函数并标注类型才能提速，def仍为Python调用开销；数组用memoryview加速，注意ABI匹配与内存连续性。
怎么把一个 Python 函数用 Cython 编译成 .so
核心就三步：写 .pyx 文件 → 写 setup.py → 调用 python setup.py build_ext --inplace。不是所有 Python 代码都能加速，只有计算密集、类型明确、循环多的函数才值得动。
-
.pyx文件里别直接 import 大量 Python 模块，Cython 编译时不会帮你解析它们的运行时行为 -
setup.py必须用setuptools+Cython.Build.cythonize，不能只靠distutils（Python 3.12+ 已弃用） - 编译后生成的
.so（Linux/macOS）或.pyd（Windows）文件必须和调用它的 Python 脚本在同一个目录，或在PYTHONPATH里，否则ImportError: No module named 'xxx'
为什么加了 def 还是慢，得改 cdef
Cython 默认把 def 当作普通 Python 函数导出，调用开销和原生 Python 一样；真正去解释器层提速，得用 cdef 声明 C 级函数，并显式标注变量类型。
-
cdef函数只能被 Cython 模块内部或其他 Cython 模块调用，不能被纯 Python 代码直接 import —— 如果你需要从 Python 脚本里调，得再包一层def函数 - 常见误写：
cdef int x = []——cdef只能声明 C 类型（int、double、char *），不能声明 Python 对象（list、dict），否则编译报错Cannot convert Python object to 'int' - 数组加速关键：用
np.ndarray配合memoryview或ctypedef声明，比如cdef double[:] arr_view，比for i in range(len(arr)):快一个数量级
pyximport 能不能跳过 setup.py 直接跑
可以临时用，但只适合调试小函数，不适用于工程化或依赖外部库的场景。
-
import pyximport; pyximport.install()后，首次import xxx会自动编译同名xxx.pyx，但默认不开启 C 语言优化（比如-O2），也不链接 OpenMP 或 BLAS - 如果
.pyx里用了cimport numpy或cdef extern from，pyximport很可能失败，报错类似numpy/arrayobject.h: No such file or directory，因为它没传include_dirs - 它生成的缓存文件默认放在
~/.pyxbld，不同项目容易冲突，且不会自动清理旧编译产物
编译报错 undefined symbol: PyFPE_jbuf 或 Symbol not found: _PyThreadState_UncheckedGet
这是典型的 Python 版本/ABI 不匹配问题，尤其多见于 macOS 和 conda 环境。
立即学习“Python免费学习笔记（深入）”；
- 确保
python命令和cython安装在同一环境里（比如都用conda install cython，而不是pip install cython混用） - macOS 上如果用系统 Python（/usr/bin/python3），Cython 编译会链接错误的框架路径；建议统一用 pyenv 或 conda 管理 Python
- 检查
python-config --includes输出是否包含numpy头文件路径；若没有，setup.py里要显式加include_dirs=[numpy.get_include()]
最常被忽略的是：Cython 加速不是“写了 cdef 就快”，它对内存布局、数据连续性、GIL 释放非常敏感；一个 np.array 如果是 view 或非 C-contiguous，加速效果可能归零。
