@dwjgwsm
1、Cython 可以写函数。
2、Cython 最好不要用 map、列表推导之类的，直接用 for。
3、Cython 性能提升的关键是用上 C 一样的指针或者数组直接读写，不要用 Python 对象。
4、Cython 支持对 NumPy 数组进行直接读写。当然，不是直接用 NumPy 数组对象，你得查文档。

@dwjgwsm 我的看法是你用 @Kirscheis 的思路，上 Cython 吧。。。

@Kirscheis 老哥，这个问题的另一个难点是如何用 Python 高效地实现楼主的需求。

这么说吧，用 Python 裸写一个 for (n): c[i] = a[i] + b[i] 要比 NumPy 写 c = a + b 至少慢 20 倍。没办法，NumPy 用 C 写的，而且有些操作还有 Intel SIMD 指令集加成，比不过的。

NumPy 的基本操作大致有：任意维张量的（每个对应元素）加减乘除、比较（判等和大小，输出布尔向量），布尔向量当做整形向量参与运算，任意维两个张量后两维、前两维的点积（这个 carefully 优化过，相信是考虑过指令集和 cache line 之类的各种问题的）。

由于这个限制，Python + NumPy 写程序的时候通常会“多做一些运算”，以求更短的执行时间。比如：

flag = (a > b)
c = flag * a + (1 - flag) * b

换成 C 语言你相信这个比 for 循环更快？
- - - -

昨天我就看到这个问题了，但是恕我愚钝，我想不出利用 NumPy 在 Python 里面优雅地解决这个问题的方案。

@lihongjie0209 另外你太小看 IDE 了。Webstorm 完全可以重构代码里面看得到结构的对象（ return {a: xxx, b: xxx} 这种），用起来和 Java 定义过的结构没有本质区别。

@lihongjie0209 我觉得 @v2dead 说的很对。你举的这个例子，这么冗长复杂的配置文件，在别的语言里面是不受待见的。像 Python、JS 处理 JSON 对象，一般只会出现在 API 接口处，然后立刻就处理掉了，没多少机会传播到别的地方的。所以也就没有什么不容易重构的坑了。

@MrgHOST ctypes https://docs.python.org/3/library/ctypes.html

@dwjgwsm

In [8]: arr_list = list(np.arange(100000))

In [10]: t1 = time.time(); moving_average(arr_list, 5); t2 = time.time(); numba_moving_average(arr_list, 5); t3 = time.time()

In [11]: (t2 - t1, t3 - t2)
Out[11]: (0.0019309520721435547, 0.23806500434875488)

In [12]: t1 = time.time(); moving_average(arr_list, 5); t2 = time.time(); numba_moving_average(arr_list, 5); t3 = time.time()

In [13]: (t2 - t1, t3 - t2)
Out[13]: (0.0016407966613769531, 0.005582094192504883)

In [14]: t1 = time.time(); [moving_average(arr_list, 5) for i in range(100)]; t2 = time.time(); [numba_moving_average(arr_list, 5) for i in range(100)]; t3 = time.time()

In [15]: (t2 - t1, t3 - t2)
Out[15]: (0.18658995628356934, 0.12822914123535156)

In [16]: t1 = time.time(); [moving_average(arr_list, 5) for i in range(1000)]; t2 = time.time(); [numba_moving_average(arr_list, 5) for i in range(1000)]; t3 = time.time()

In [17]: (t2 - t1, t3 - t2)
Out[17]: (1.3983790874481201, 1.3098900318145752)

你这代码本来就不科学啊。data_window.pop 你这是想干嘛啊？还有 sum_tick 有你这种写法嘛？好好的 O(n) 算法你给写成 O(n*k) ？

In [1]: import numpy as np

In [2]: import numba

In [3]: def moving_average(data, k):
...: partial_sum = sum(data[:k])
...: ret = [partial_sum / k]
...: for old_d, new_d in zip(data[:-k], data[k:]):
...: partial_sum = partial_sum - old_d + new_d
...: ret.append(partial_sum / k)
...: return ret
...:

In [4]: numba_moving_average = numba.jit(moving_average)

In [5]: arr = np.arange(10000)


In [6]: arr_list = list(arr)

In [7]: %timeit moving_average(arr_liset)

In [8]: %timeit moving_average(arr_list, 5)
3.8 ms ± 9.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [9]: %timeit numba_moving_average(arr_list, 5)
722 µs ± 35.3 µs per loop (mean ± std. dev. of 7 runs, 1 loop each)

@zhicheng “对账用”

别的语言也是一样的，只不过他们输出的时候没输出这么多位而已。

任何浮点数，只要小数部分不能写成 2 的负整数次幂的和，就有误差。

比如 0.25 = 2^{-2}，所以是精确的。但是 0.1 无法写成任何 2 的负整数次幂，所以会有误差。

你可以给 PyCharm 提 issue 了。

@SlipStupig Tornado 性能确实不错，但是建立在你本身 Python 已经很厉害的基础上。如果是新手，还是老老实实用 Flask 或者 Django 吧。

@jakeyfly “跨平台性能好”->“跨平台效果好”，或者“跨语言效果好”。

@jakeyfly 塞进去变字符串是因为隐式调用了 repr(obj)。Python 里面 JSON 序列化一般会比 repr(obj) 慢，但是胜在跨平台性能好。你要是不喜欢，可以用上面有人提到过的 ast.literal_eval 来读取 repr(obj) 的结果，然而我觉得 ast 会比 JSON 反序列化慢。也许 eval 比较快，我不确定，但是这东西有安全隐患，尽量别用。

@jakeyfly 你把 Python 列表往 Redis 塞的时候，估计它已经变成字符串了

超越你啥？财务？名声？成就感？

wordpress 呗，其实挺省心的。

为什么存进去的时候不 json。

In [1]: import pandas as pd
In [2]: df = pd.DataFrame([list('AABBAB'), list('BABAAA')])

In [3]: df
Out[3]:
0 1 2 3 4 5
0 A A B B A B
1 B A B A A A

In [4]: df == 'A'
Out[4]:
0 1 2 3 4 5
0 True True False False True False
1 False True False True True True

In [5]: (df == 'A').sum(axis=1)
Out[5]:
0 3
1 4
dtype: int64