【Python】Cythonで高速化、3行足すだけで100倍速くなる

Cythonとは

Cythonは、PythonをC言語にコンパイルして高速化するツール。

Pythonの構文を維持しながら、C言語の速度を得られる。「Python遅い」問題の切り札だよ。

Python → Cython → C → コンパイル → 高速な拡張モジュール

インストール

pip install cython

基本的な使い方

1. .pyxファイルを作成

# example.pyx

def python_style(n):
    """普通のPython関数"""
    total = 0
    for i in range(n):
        total += i
    return total

cpdef long cython_style(long n):
    """型宣言した高速版"""
    cdef long total = 0
    cdef long i
    for i in range(n):
        total += i
    return total

2. setup.pyでビルド

# setup.py
from setuptools import setup
from Cython.Build import cythonize

setup(
    ext_modules=cythonize("example.pyx")
)

3. コンパイル

python setup.py build_ext --inplace

4. 使用

from example import cython_style
result = cython_style(100_000_000)

型宣言

Cythonの高速化の鍵は型宣言です。

変数の型宣言

# cdef で型を宣言
cdef int x = 10
cdef double y = 3.14
cdef long z = 1000000000

# 配列
cdef int arr[100]

# ポインタ
cdef int* ptr

関数の型宣言

# def: Pythonから呼べる（遅い）
def python_func(x):
    return x * 2

# cdef: Cython/Cからのみ呼べる（速い）
cdef int c_func(int x):
    return x * 2

# cpdef: 両方から呼べる（中間）
cpdef int hybrid_func(int x):
    return x * 2

型一覧

Cython型	C型	用途
int	int	整数
long	long	長整数
float	float	浮動小数点
double	double	倍精度
bint	int	ブール値
char	char	文字
str	PyObject*	文字列

パフォーマンス比較

Pure Python vs Cython

処理	Pure Python	Cython	高速化
単純ループ（1億回）	3.87秒	0.08秒	48x
フィボナッチ(35)	1.39秒	0.02秒	70x
素数カウント	0.11秒	0.005秒	22x

実践例

フィボナッチ

# fib.pyx

# Pure Python（遅い）
def fib_python(n):
    if n <= 1:
        return n
    return fib_python(n-1) + fib_python(n-2)

# Cython（速い）
cpdef long fib_cython(int n):
    if n <= 1:
        return n
    return fib_cython(n-1) + fib_cython(n-2)

素数判定

# primes.pyx

cpdef bint is_prime(int n):
    cdef int i
    if n < 2:
        return False
    for i in range(2, <int>(n**0.5) + 1):
        if n % i == 0:
            return False
    return True

cpdef list get_primes(int limit):
    cdef int n
    cdef list primes = []
    for n in range(2, limit):
        if is_prime(n):
            primes.append(n)
    return primes

NumPy連携

# numpy_example.pyx
import numpy as np
cimport numpy as np
cimport cython

@cython.boundscheck(False)  # 境界チェック無効
@cython.wraparound(False)   # 負のインデックス無効
cpdef double array_sum(np.ndarray[np.float64_t, ndim=1] arr):
    cdef Py_ssize_t i
    cdef double total = 0.0
    for i in range(arr.shape[0]):
        total += arr[i]
    return total

Pure Pythonモード

.pyファイルでも型ヒントでCython高速化：

# example.py
import cython

@cython.cfunc
@cython.locals(n=cython.int, total=cython.long, i=cython.long)
def fast_sum(n: int) -> int:
    total: int = 0
    for i in range(n):
        total += i
    return total

コンパイルオプション

ディレクティブ

# cython: boundscheck=False
# cython: wraparound=False
# cython: cdivision=True
# cython: profile=True

または関数単位で：

@cython.boundscheck(False)
@cython.wraparound(False)
cpdef int fast_func(int n):
    ...

ディレクティブ	効果
boundscheck(False)	配列境界チェック無効
wraparound(False)	負のインデックス無効
cdivision(True)	Cスタイル除算
profile(True)	プロファイリング有効

pyximport

開発中は自動コンパイル：

import pyximport
pyximport.install()

import my_module  # .pyxを自動コンパイル

いつCythonを使うか

✓ 適している場面

• 数値計算のループ
• 再帰関数
• NumPy配列の要素単位操作
• C言語ライブラリのラッパー

✗ 向いていない場面

• I/O処理（ファイル、ネットワーク）
• 文字列操作が多い処理
• Pythonオブジェクトを多用する処理

まとめ

Pure Python → Cython変換の手順:

1. .pyx ファイルを作成
2. 変数に cdef で型を付ける
3. 関数を cpdef に変更
4. setup.py でビルド
5. import して使用

型宣言するだけで10〜100倍の高速化！

ボトルネックの関数だけCython化するのが効率的です。