在本章中，我们研究了可供 Pandas 用户使用的各种库。 本章旨在作为简短指南，帮助用户围绕 Pandas 提供的各种模块和库进行导航和查找。 它提供了有关库代码组织方式的分解，还提供了有关各个模块的简要说明。 对于感兴趣的用户来说，这对他们下面的 Pandas 的内部工作以及希望为代码库做出贡献的用户来说，将是最有价值的。 我们还将简要演示如何使用 Python 扩展来提高性能。 将讨论的各种主题如下：
- Pandas 库层次结构简介
- Pandas 模块和文件的描述
- 使用 Python 扩展来提高性能
通常，在安装时，会将 Pandas 作为 Python 模块安装在第三方 Python 模块的标准位置：
| 平台 | 标准安装位置 | 示例 |
|---|---|---|
| Unix/MacOS | prefix/lib/pythonX.Y/site-packages |
/usr/local/lib/Python 2.7/site-packages |
| Windows | prefix\Lib\site-packages |
C:\Python27\Lib\site-packages |
安装的文件遵循特定的层次结构：
pandas/core：此文件包含用于基本数据结构的文件，例如序列/数据帧和相关函数。pandas/src：包含用于实现基本算法的 Cython 和 C 代码。pandas/io：它包含输入/输出工具（例如平面文件，Excel，HDF5，SQL 等）。pandas/tools：它包含辅助数据算法合并和连接例程，连接，数据透视表等。pandas/sparse：它包含序列，数据帧，面板等的稀疏版本。pandas/stats：包含线性回归和面板回归，以及移动窗口回归。 这应该由 statsmodels 中的功能代替。pandas/util：包含工具，开发和测试工具。pandas/rpy：包含用于连接到 R 的 RPy2 接口。
作为参考，请参见这里。
在本节中，我们将简要介绍组成 Pandas 库的各个子模块和文件。
该模块包含 Pandas 的核心子模块。 讨论如下：
-
api.py：这将导入一些关键模块供以后使用。 -
array.py：这可以隔离 Pandas 对 numPy 的暴露，即所有直接的 numPy 使用。 -
base.py：这定义了基本类别，例如StringMixin，PandasObject，它们是各种 Pandas 对象（例如Period，PandasSQLTable，sparse.array.SparseArray/SparseList，internals.Block，internals.BlockManager，generic.NDFrame，groupby.GroupBy，base.FrozenList，base.FrozenNDArray，io.sql.PandasSQL，io.sql.PandasSQLTable，tseries.period.Period，FrozenList，FrozenNDArray：IndexOpsMixin和DatetimeIndexOpsMixin。 -
common.py：这定义了用于处理数据结构的通用工具方法。 例如，isnull对象检测到缺少的值。 -
config.py：这是用于处理包范围内的可配置对象的模块。 它定义了以下类别：OptionError，DictWrapper，CallableDynamicDoc，option_context和config_init。 -
datetools.py：这是处理 Python 中日期的函数的集合。 -
frame.py：这定义了 Pandas 的数据帧类及其各种方法。数据帧继承自NDFrame。 （见下文）。 -
generic.py：这定义了通用NDFrame基类，它是 Pandas 的数据帧，序列和面板类的基类。NDFrame源自base.py中定义的 Pandas 对象。NDFrame可以看作是 Pandas 数据帧的 N 维版本。 有关此的更多信息，请访问这里。 -
categorical.py：这定义了分类，这是一个从 Pandas 对象派生的类，它表示分类变量 la R/S-plus。 （我们稍后会扩展您的知识）。 -
format.py：这定义了整个格式化程序类，例如CategoricalFormatter，SeriesFormatter，TableFormatter，DataFrameFormatter，HTMLFormatter，CSVFormatter，ExcelCell，ExcelFormatter，GenericArrayFormatter，FloatArrayFormatter，IntArrayFormatter，Datetime64Formatter，Timedelta64Formatter和EngFormatter。 -
groupby.py：这定义了启用groupby函数的各种类。 讨论如下：Splitter classes：这包括DataSplitter，ArraySplitter，SeriesSplitter，FrameSplitter和NDFrameSplitterGrouper/Grouping classes：这包括Grouper，GroupBy，BaseGrouper，BinGrouper，Grouping，SeriesGroupBy，NDFrameGroupBy
-
ops.py: 这定义了一个内部 API，用于对 Pandas 对象进行算术运算。 它定义了向对象添加算术方法的函数。 它定义了一个_create_methods元方法，该方法用于使用算术，比较和布尔方法构造器创建其他方法。add_methods方法采用一些新方法，将它们添加到现有方法列表中，并将其绑定到其相应的类。add_special_arithmetic_methods和add_flex_arithmetic_methods方法调用_create_methods和add_methods将算术方法添加到类中。它还定义了
_TimeOp类，该类是与日期时间相关的算术运算的包装。 它包含Wrapper函数，用于对序列，数据帧和面板函数进行算术，比较和布尔运算-_arith_method_SERIES(..)，_comp_method_SERIES(..)，_bool_method_SERIES(..)，_flex_method_SERIES(..)，_arith_method_FRAME(..)，_comp_method_FRAME(..)，_flex_comp_method_FRAME(..)）_arith_method_PANEL(..)，_comp_method_PANEL(..)。 -
index.py：这定义了Index类及其相关函数。 所有 Pandas 的对象（序列，数据帧和面板）都使用索引来存储轴标签。 它的下面是一个不可变的数组，提供了可以切片的有序集合。 -
internals.py：这定义了多个对象类。 这些列出如下：Block：这是具有 Pandas 其他功能的同质 N 维numpy.ndarray对象。 例如，它使用__slots__将对象的属性限制为ndim，values和_mgr_locs。 它充当其他Block子类的基类。NumericBlock：这是数字类型的Blocks的基类。FloatOrComplexBlock：这是从NumericBlock继承的FloatBlock和ComplexBlock的基类ComplexBlock：这是处理具有复杂类型的Block对象的类。FloatBlock：这是处理浮点型Block对象的类。IntBlock：这是处理具有整数类型的Block对象的类。TimeDeltaBlock，BoolBlock和DatetimeBlock：这些是timedelta，Boolean和datetime的Block类。ObjectBlock：这是为用户定义的对象处理Block对象的类。SparseBlock：这是处理相同类型的稀疏数组的类。BlockManager：这是管理一组Block对象的类。 它不是公共 API 类。SingleBlockManager：这是管理一个Block的类。JoinUnit：这是Block对象的工具类。
-
matrix.py：这将数据帧导入为DataMatrix。 -
nanops.py：这些是用于处理 NaN 值的类和函数。 -
ops.py：这定义了 Pandas 对象的算术运算。 它不是公共 API。 -
panel.py，panel4d.py和panelnd.py：这些提供了 Pandas 的面板对象的功能。 -
series.py：它定义序列从NDFrame和IndexOpsMixin继承的 pandasSeries类及其各种方法。 -
sparse.py：这定义用于处理稀疏数据结构的导入。 稀疏数据结构被压缩，从而省略了与 NaN 匹配或缺少值的数据点。 有关此的更多信息，请访问这里。 -
strings.py: 它们具有处理字符串的各种函数。
该模块包含用于数据 I/O 的各种模块。 讨论如下：
api.py：这定义了数据 I/O API 的各种导入。auth.py：这定义了处理身份验证的各种方法。common.py：这定义了 I/O API 的通用函数。data.py：这定义用于处理数据的类和方法。DataReader方法从各种在线来源（例如 Yahoo 和 Google）读取数据。date_converters.py：定义日期转换函数。excel.py：此模块解析和转换 Excel 数据。 这定义了ExcelFile和ExcelWriter类。ga.py：这是 Google Analytics（分析）功能的模块。gbq.py：这是 Google BigQuery 的模块。html.py：这是用于处理 HTML I/O 的模块。json.py：这是用于处理 Pandas 中 json I/O 的模块。 这定义了Writer，SeriesWriter，FrameWriter，Parser，SeriesParser和FrameParser类。packer.py：这是 msgpack 序列化程序支持，用于将 Pandas 数据结构读取和写入磁盘。parsers.py：此模块定义了各种函数和类，这些函数和类用于解析和处理文件以创建 Pandas 的数据帧。 下文讨论的所有三个read_*函数都具有多个可配置的读取选项。 有关更多详细信息，请参见此参考。read_csv(..)：这定义了pandas.read_csv()函数，可用于将 CSV 文件的内容读取到数据帧中。read_table(..)：这会将制表符分隔的表文件读取到数据帧中。read_fwf(..)：这会将固定宽度格式的文件读取到数据帧中。TextFileReader：这是用于读取文本文件的类。ParserBase：这是解析器对象的基类。CParserWrapper和PythonParser：这些分别是 C 和 Python 的解析器。 它们都继承自ParserBase。FixedWidthReader：这是读取固定宽度数据的类。 定宽数据文件包含文件中特定位置的字段。FixedWithFieldParser：这是用于解析从PythonParser继承的固定宽度字段的类。
pickle.py：这提供了腌制（序列化）Pandas 对象的方法。 讨论如下：to_pickle(..)：这会将对象序列化为文件。read_pickle(..)：这将从文件中读取序列化的对象到 pandas 对象。 仅应与受信任的来源一起使用。
pytables.py：这是PyTables模块的接口，用于将 Pandas 数据结构读取和写入磁盘上的文件。sql.py：它是类和函数的集合，用于使能够从试图与数据库无关的关系数据库中检索数据。 讨论如下：PandasSQL：这是将 Pandas 与 SQL 连接的基类。 它提供了必须由子类实现的伪read_sql和to_sql方法。PandasSQLAlchemy：这是PandasSQL的子类，它可以使用SQLAlchemy在数据帧和 SQL 数据库之间进行转换。PandasSQLTable类：它将 Pandas 表（数据帧）映射到 SQL 表。pandasSQL_builder(..)：这将根据提供的参数返回正确的PandasSQL子类。PandasSQLTableLegacy类：这是PandasSQLTable的旧支持版本。PandasSQLLegacy类：这是PandasSQLTable的旧支持版本。get_schema(..)：这将获取给定框架的 SQL 数据库表架构。read_sql_table(..)：这将 SQL DB 表读入数据帧。read_sql_query(..)：这会将 SQL 查询读取到数据帧中。read_sql(..)：这将 SQL 查询/表读入数据帧。to_sql(..)：此操作将数据帧中存储的记录写入 SQL 数据库。
stata.py：此工具包含用于将Stata文件处理为 Pandas 数据帧的工具。wb.py：这是用于从世界银行网站下载数据的模块。
-
util.py：具有定义的其他util函数，例如match(..)，cartesian_product(..)和compose(..)。 -
tile.py：具有一组函数，这些函数可以量化输入数据，从而实现tile函数。 除了cut(..)和qcut(..)之外，大多数函数都是内部函数。 -
rplot.py：这是一个模块，提供在 Pandas 中生成网格图的函数。 -
plotting.py: 这提供了一组以序列或数据帧为参数的绘图函数。-
scatter_matrix(..)：这将绘制散点图矩阵 -
andrews_curves(..)：此图将多元数据绘制为曲线，这些曲线是使用样本作为傅立叶级数的系数创建的 -
parallel_coordinates(..)：这是一种绘图技术，可让您查看数据中的聚类并直观地估计统计信息 -
lag_plot(..)：用于检查数据集或时间序列是否随机 -
autocorrelation_plot(..)：用于检查时间序列中的随机性 -
bootstrap_plot(..)：此图用于以视觉方式确定统计量度的不确定性，例如平均值或中位数 -
radviz(..): 该图用于可视化多元数据以上信息的参考来自这里
-
-
pivot.py: 此函数用于处理 Pandas 中的数据透视表。 它是主要函数pandas.tools.pivot_table(..)，它创建类似于电子表格的数据透视表作为数据帧以上信息的参考来自这里
-
merge.py：提供合并序列，数据帧和面板对象（例如merge(..)和concat(..)）的函数 -
describe.py：这提供了一个value_range(..)函数，该函数以序列的形式返回数据帧的最大值和最小值。
这是提供序列，数据帧和面板的稀疏实现的模块。 所谓稀疏，是指省略或丢失诸如 0 之类的值的数组。
有关此的更多信息，请访问这里 。
api.py：这是一组便利导入array.py：它是SparseArray数据结构的实现frame.py：它是SparseDataFrame数据结构的实现list.py：它是SparseList数据结构的实现panel.py：它是SparsePanel数据结构的实现series.py：它是SparseSeries数据结构的实现
api.py：这是一组便利导入。common.py：定义模块中其他函数调用的内部函数。fama_macbeth.py：包含 Fama-Macbeth 回归的类定义和函数。 有关 FM 回归的更多信息，请访问这里。interface.py：它定义ols(..)，它返回普通最小二乘（OLS）回归对象。 它从pandas.stats.ols模块导入。math.py：具有有用的函数，定义如下：rank(..)，solve(..)和inv(..)：它们分别用于矩阵秩，解和逆is_psd(..)：这检查矩阵的正定性newey_west(..)：用于协方差矩阵计算calc_F(..)：这将计算 F 统计信息
misc.py：用于其他函数。moments.py：这提供了滚动和扩展的统计量度，包括在 Cython 中实现的时刻。 这些方法包括：rolling_count(..)，rolling_cov(..)，rolling_corr(..)，rolling_corr_pairwise(..)，rolling_quantile(..)，rolling_apply(..)，rolling_window(..)，expanding_count(..)，expanding_quantile(..)，expanding_cov(..)，expanding_corr(..)，expanding_corr_pairwise(..)，expanding_apply(..)，ewma(..)，ewmvar(..)，ewmstd(..)，ewmcov(..)和ewmcorr(..)。ols.py：这实现 OLS 并提供 OLS 和MovingOLS类。 OLS 运行完整的样本最小二乘回归，而MovingOLS生成滚动或扩展的简单 OLS。plm.py：这为面板数据提供了线性回归对象。 这些类的讨论如下：PanelOLS：这是面板对象的 OLSMovingPanelOLS：这是面板对象的滚动/扩展 OLSNonPooledPanelOLS：-这是面板对象的非池化 OLS
var.py: 这提供了向量自回归类，讨论如下：-
VAR：这是对序列和数据帧中的多元数据的向量自动回归 -
PanelVAR: 这是面板对象中多元数据的向量自动回归有关向量自回归的更多信息，请访问这里
-
-
testing.py：这提供了断言，调试，单元测试以及其他用于测试的类/函数。 它包含许多特殊的断言函数，这些函数使检查序列，数据帧或面板对象是否等效的操作更加容易。 其中一些函数包括assert_equal(..)，assert_series_equal(..)，assert_frame_equal(..)和assert_panelnd_equal(..)。pandas.util.testing模块对 Pandas 代码库的贡献者特别有用。 它定义了一个util.TestCase类。 它还提供了用于处理语言环境，控制台调试，文件清除，比较器等的工具，以供潜在的代码库贡献者进行测试。 -
terminal.py：此函数主要是内部函数，与获取有关终端的某些特定详细信息有关。 唯一的暴露函数是get_terminal_size()。 -
print_versions.py：它定义了get_sys_info()函数，该函数返回系统信息的字典，以及show_versions(..)函数，显示可用的 Python 库的版本。 -
misc.py：这定义了几个其他工具。 -
decorators.py: 这定义了一些装饰器函数和类。Substitution和Appender类是装饰器，它们在函数docstrings上执行替换和附加操作，有关 Python 装饰器的更多信息，请访问这里。 -
clipboard.py：这包含跨平台剪贴板方法，可通过键盘启用复制和粘贴功能。 Pandas I/O API 包括pandas.read_clipboard()和pandas.to_clipboard(..)之类的函数。
如果模块已安装在计算机中，则该模块将尝试提供 R 统计包的接口。 在版本 0.16.0 和更高版本中不推荐使用。 可以使用rpy2模块代替它的功能。
base.py：这为 R 中著名的lm函数定义了一个类common.py：这提供了许多函数，可以将 Pandas 对象转换为等效的 R 版本mass.py：这是rlm-- R 的lm函数的未实现版本var.py：其中包含未实现的类VAR
这个模块为 Pandas 中的各种物体提供了许多测试。 特定库文件的名称是不言自明的，除了邀请读者进行探索之外，在这里我将不进一步详细介绍。
与兼容性相关的功能解释如下：
chainmap.py和chainmap_impl.py：这提供了一个ChainMap类，可以将多个dicts或映射分组，以便生成可以更新的单个视图pickle_compat.py：此函数提供了在 0.12 之前的版本中腌制 Pandas 对象的功能。openpyxl_compat.py：这检查openpyxl的兼容性
这是提供计算功能的模块，讨论如下：
api.py：这包含eval和expr的导入。align.py：这实现了数据对齐的函数。common.py：它包含几个内部函数。engines.py：这定义了抽象引擎NumExprEngine和PythonEngine。PythonEngine求值表达式，主要用于测试目的。eval.py：这定义了最重要的eval(..)函数以及其他一些重要函数。expressions.py：通过numexpr提供快速的表达式求值。numexpr函数用于加速某些数值运算。 它使用多个内核以及智能分块和缓存加速。 它定义了evaluate(..)和where(..)方法。ops.py：这定义了eval使用的运算符类。 它们是Term，Constant，Op，BinOp，Div和UnaryOp。pytables.py：这为PyTables查询提供了查询接口。scope.py：这是示波器操作的模块。 它定义了一个Scope类，它是一个保存范围的对象。
有关numexpr的更多信息，请访问这里。 有关此模块用法的信息，请访问这里 。
-
api.py：这是一组便捷导入 -
converter.py: 这定义了一组用于格式化和转换与日期时间相关的对象的类。 导入后，pandas 向matplotlib注册了一组单位转换器。-
这通过
register()函数完成，说明如下：In [1]: import matplotlib.units as munits In [2]: munits.registry Out[2]: {} In [3]: import pandas In [4]: munits.registry Out[4]: {pandas.tslib.Timestamp: <pandas.tseries.converter.DatetimeConverter instance at 0x7fbbc4db17e8>, pandas.tseries.period.Period: <pandas.tseries.converter.PeriodConverter instance at 0x7fbbc4dc25f0>, datetime.date: <pandas.tseries.converter.DatetimeConverter instance at 0x7fbbc4dc2fc8>, datetime.datetime: <pandas.tseries.converter.DatetimeConverter instance at 0x7fbbc4dc2a70>, datetime.time: <pandas.tseries.converter.TimeConverter instance at 0x7fbbc4d61e18>}
-
Converter：此类包括TimeConverter，PeriodConverter和DateTimeConverter -
Formatters：此类包括TimeFormatter，PandasAutoDateFormatter和TimeSeries_DateFormatter -
Locators：此类包括PandasAutoDateLocator，MilliSecondLocator和TimeSeries_DateLocator
Formatter和Locator类用于处理 matplotlib 绘图中的刻度。 -
-
frequencies.py：它定义用于指定时间序列对象的频率（每天，每周，每季度，每月，每年等）的代码。 -
holiday.py：这定义了用于处理假期的函数和类-Holiday，AbstractHolidayCalendar和USFederalHolidayCalendar在定义的类中。 -
index.py：这定义了DateTimeIndex类。 -
interval.py：这定义了Interval，PeriodInterval和IntervalIndex类。 -
offsets.py：这定义了各种类别，包括处理与时间有关的时间段的偏移量。 这些解释如下：DateOffset：这是提供日期时间段功能的类的接口，例如Week，WeekOfMonth，LastWeekOfMonth，QuarterOffset，YearOffset，Easter，FY5253和FY5253Quarter。BusinessMixin：这是业务对象的mixin类，用于提供与时间功能相关的类。 这将由BusinessDay类继承。BusinessDay子类派生自BusinessMixin和SingleConstructorOffset，并提供了营业日的补偿。MonthOffset：这是提供月份时间段功能的类的接口，例如MonthEnd，MonthBegin，BusinessMonthEnd和BusinessMonthBegin。MonthEnd和MonthBegin：这是一个月底或一个月初的日期偏移量。BusinessMonthEnd和BusinessMonthBegin：这是一个工作日日历的结尾或开始一个月的日期偏移。YearOffset：此偏移量是提供年份功能的类的接口，例如YearEnd，YearBegin，BYearEnd，BYearBeginYearEnd和YearBegin：这是一年末或年初的日期偏移量。BYearEnd和BYearBegin：这是工作日日历结束或开始时一年的日期偏移。Week：提供 1 周的补偿。WeekDay：这提供了从工作日（Tue）到星期几（= 2）的映射。WeekOfMonth和LastWeekOfMonth：描述一个月中的一周中的日期QuarterOffset：这是提供季度功能的类的接口，例如QuarterEnd，QuarterrBegin，BQuarterEnd和BQuarterBegin。QuarterEnd，QuarterrBegin，BQuarterEnd和BQuarterBegin：与Year*类相同，除了时间段是季度而不是年份。FY5253和FY5253Quarter：这些类别描述了 52-53 周的会计年度。 这也称为 4-4-5 日历。 您可以在这个链接中获得更多信息。Easter：这是复活节假期的DateOffset。Tick：这是时间单位类的基本类，例如Day，Hour，Minute，Second，Milli，Micro和Nano。
-
period.py：这为 PandasTimeSeries定义了Period和PeriodIndex类。 -
plotting.py：这定义了各种绘图函数，例如tsplot(..)，它绘制了一个序列。 -
resample.py：这定义了TimeGrouper，这是用于时间间隔分组的自定义groupby类。 -
timedeltas.py：这定义了to_timedelta(..)方法，该方法将其参数转换为timedelta对象。 -
tools.py：这定义了工具函数，例如to_datetime(..)，parse_time_string(..)，dateutil_parse(..)和format(..)。 -
util.py：这定义了更多工具函数，如下所示：isleapyear(..)：检查年份是否为闰年pivot_annual(..)：这按年份分组，表示闰年
该模块处理将 Pandas 数据帧集成到 PyQt 框架中。 有关 PyQt 的更多信息，请访问
Python 和 pandas 用户的困扰之一是，语言和模块的易用性和表达性带来显着的缺点-性能-尤其是在数字计算方面。
根据编程基准站点，Python 通常比编译后的语言（例如，用于许多算法或数据结构操作的 C/C++）慢。 例如二进制树操作。 在以下参考中，Python3 的运行速度比 n 体仿真计算的最快 C++ 实现慢 104 倍。
那么，我们如何解决这个合法而令人烦恼的问题呢？ 通过编写代码中对性能敏感的部分，我们可以减轻 Python 的这种速度，同时保持我们喜欢的性能（清晰度和生产率）。 例如数字处理，C/C++ 中的算法，并通过编写 Python 扩展模块由我们的 Python 代码调用它们。
Python 扩展模块使我们能够从 Python 调用用户定义的 C/C++ 代码或库函数，从而使我们能够提高代码性能，但仍然受益于 Python 的易用性。
为了帮助我们了解什么是 Python 扩展模块，请考虑导入模块时 Python 中发生的情况。 导入语句导入一个模块，但这实际上是什么意思？ 共有三种可能性，如下所示：
-
某些 Python 扩展模块在构建时会链接到解释器。
-
导入会导致 Python 将
.pyc文件加载到内存中。.pyc文件包含 Python 字节码。例如以下命令：In [3]: import pandas pandas.__file__ Out[3]: '/usr/lib/Python 2.7/site-packages/pandas/__init__.pyc'
-
import语句导致将 Python 扩展模块加载到内存中。.so（共享库）文件由机器代码组成。 例如，请参考以下命令：In [4]: import math math.__file__ Out[4]: '/usr/lib/Python 2.7/lib-dynload/math.so'
我们将集中讨论第三种可能性。 即使我们正在处理从 C 编译的二进制共享对象，我们也可以将其作为 Python 模块导入，这显示了 Python 扩展的强大功能-应用可以从 Python 机器代码或机器代码导入模块，并且接口相同 。 Cython 和 SWIG 是使用 C 和 C++ 编写扩展的两种最受欢迎的方法。 在编写扩展时，我们包装了 C/C++ 机器代码，并将其转换为行为像纯 Python 代码的 Python 扩展模块。 在这个简短的讨论中，我们将仅专注于 Cython，因为它是专门为 Python 设计的。
Cython 是 Python 的超集，旨在允许我们在 C/C++ 中调用外部编译的代码以及在变量上声明类型，从而显着提高 Python 的性能。
Cython 命令从 Cython 源文件生成优化的 C/C++ 源文件，并将此优化的 C/C++ 源编译为 Python 扩展模块。 它提供了对 NumPy 的内置支持，并将 C 的性能与 Python 的可用性结合在一起。
我们将快速演示如何使用 Cython 大大加快代码速度。 让我们定义一个简单的斐波那契函数：
In [17]: def fibonacci(n):
a,b=1,1
for i in range(n):
a,b=a+b,a
return a
In [18]: fibonacci(100)
Out[18]: 927372692193078999176L
In [19]: %timeit fibonacci(100)
100000 loops, best of 3: 18.2 µs per loop使用timeit模块，我们看到每个循环花费 18.2 µs。
现在让我们在 Cython 中重写函数，通过使用以下步骤为变量指定类型：
-
首先，我们将 Cython 魔术函数导入 IPython，如下所示：
In [22]: %load_ext cythonmagic
-
接下来，我们在 Cython 中重写函数，为变量指定类型：
In [24]: %%cython def cfibonacci(int n): cdef int i, a,b for i in range(n): a,b=a+b,a return a
-
让我们来计时一下新的 Cython 函数：
In [25]: %timeit cfibonacci(100) 1000000 loops, best of 3: 321 ns per loop In [26]: 18.2/0.321 Out[26]: 56.69781931464174
-
因此，我们可以看到 Cython 版本比纯 Python 版本快 57 倍！
有关使用 Cython/SWIG 或其他选项编写 Python 扩展的更多参考，请参考以下参考：
总结本章，我们浏览了 Pandas 的库层次结构，试图说明库的内部运作方式。 我们还谈到了使用 Python 扩展模块来提高代码性能的好处。