Cython的本质可以总结为：Cython是具有C数据类型的Python。
Cython就是Python：几乎所有的Python代码都是有效的Cython代码。（有少量例外，但这里我们先承认这个结论。）Cython的编译器会把代码转换成等效于调用Python/C API的C代码。
但是Cython远不止于此，因为它的参数和变量可以被声明为具有C数据类型。我们可以自由地混用操作Python值和C值的代码，而Cython会帮助我们自动转换需要转换的地方。Python中的引用计数保存和错误检查也是自动的，而且Python的异常处理机制，包括try-except和try-finally同样可行——即使是在操作C数据时。
由于Cython可以接受几乎所有有效的python源文件，在我们Cython的启程之路上最大的拦路虎之一就是如何去编译你的拓展文件。
让我们从标准的python hello world开始：
print("Hello World")将这段代码保存为helloworld.pyx。现在我们需要创建一个setup.py，这就像一个python Makefile。你的setup.py应该像这样：
from distutils.core import setup
from Cython.Build import cythonize
setup(
ext_modules = cythonize("helloworld.pyx")
)使用下面的命令行选项来建立你的Cython文件：
$ python setup.py build_ext --inplace
在unix系统中，这行命令会在你的本地文件夹里创建一个叫做helloworld.so的文件；而在Windows中它叫helloworld.pyd。现在，运行你的python解释器，然后把这个文件看成一个普通的python模块，简单地import它就可以使用了。
>>> import helloworld
Hello World恭喜！你现在已经知道如何去创建一个Cython拓展了。但是，这个例子会给人一种不知道Cython有何优势的感觉，所以我们会来一个更有现实意义的例子。
如果你的模块不需要任何外部的C库或者特殊的安装方式，你可以直接使用pyximport模块。这个模块由Paul Prescod开发，用来直接使用import来载入.pyx文件，而不需要在你每次更改代码的时候都重新跑一遍你的setup.py文件。它与Cython一起发布和安装，使用方法如下：
>>> import pyximport; pyximport.install()
>>> import helloworld
Hello WorldPyximport模块也支持对普通的Python模块实验性的编译。这可以让你在Python导入的每一个.pyx和.py模块上自动运行Cython，包括标准库和被安装的包。Cython在编译大量Python模块的时候也会失败，此时import机制将会回溯，转而去载入Python源模块。.py的import机制可以被这样安装：
>>> pyximport.install(pyimport=True)注意，现在已经不推荐在终端用户侧使用Pyximport的创建代码了，因为它会hook上import系统。对终端用户来说，最好的方法时提供wheel包形式的二进制预创建包。
Python的官方教程里有一个简单的斐波那契函数：
from __future__ import print_function
def fib(n):
"""打印斐波那契数列到n"""
a, b = 0, 1
while b < n:
print(b, end=' ')
a, b = b, a + b
print()现在让我们跟着Hello World的例子依样画葫芦。首先，我们将文件的拓展名改为.pyx，比如fib.pyx；接下来，我们创建setup.py文件。我们使用Hello World例子中创建的文件，你需要做的只是将Cython的文件名和生成的模块名改掉。这样，我们得到：
from distutils.core import setup
from Cython.Build import cythonize
setup(
ext_modules=cythonize("fib.pyx"),
)建立拓展的命令与helloworld.pyx的例子相同：
$ python setup.py build_ext --inplace
使用这个拓展：
>>> import fib
>>> fib.fib(2000)
1 1 2 3 5 8 13 21 34 55 89 144 233 377 610 987 1597这里有一个小例子来展示Cython可以做到的一部分事情。
primes.pyx:
1 def primes(int nb_primes):
2 cdef int n, i, len_p
3 cdef int p[1000]
4 if nb_primes > 1000:
5 nb_primes = 1000
6
7 len_p = 0 # p中当前元素的数量
8 n = 2
9 while len_p < nb_primes:
10 # 是否是质数？
11 for i in p[:len_p]:
12 if n % i == 0:
13 break
14
15 # 如果循环中未发生break，我们就找到了一个质数
16 else:
17 p[len_p] = n
18 len_p += 1
19 n += 1
20
21 # 以python列表的形式返回结果
22 result_as_list = [prime for prime in p[:len_p]]
23 return result_as_list可以看到，函数的开始部分就像普通的Python函数定义，除了我们声明了参数nb_primes的int类型。这意味着这个对象被传入时会被转换为C的整数类型（或是一个TypeError，如果转换失败的话）。
现在让我们来仔细研究一下这个函数：
cdef int n, i, len_p
cdef int p[1000]第2行和第3行使用了cdef语句来定义一些局部的C变量。在处理过程中，结果被保存在一个C数组p中，并且在最后会被复制到一个Python列表中（第22行）。
- 注意，在这个例子中，你不能创建太大的数组，因为它们是被分配在C函数调用的栈上，而这些栈资源是有限的。如果需要更大的数组，或者如果数组长度只有在程序运行时才能被确定，你可以去学习使用Cython对C内存分配、Python数组或Numpy数组进行更有效率的利用。
if nb_primes > 1000:
nb_primes = 1000在C中，声明一个静态数组需要在编译时知道数组的大小。我们需要确保使用者设置的值不大于1000（或者就像C一样生成一个段错误）。
len_p = 0 # p中当前元素的数量
n = 2
while len_p < nb_primes:第7~9行建立了一个循环，用来判断数字是否是质数，直到达到所需的质数数量。
# 是否是质数？
for i in p[:len_p]:
if n % i == 0:
break第11~12行使用候选数字依次除以已经找到的每一个质数。这两行代码值得我们深入研究一下。因为这里面没有Python对象被引用，循环被整体翻译成了C代码，因此跑得飞快。请注意我们迭代C数组p的方式：
for i in p[:len_p]:循环被翻译为一段很快的C循环，但写程序时就像是在操作一个Python列表或是Numpy数组一样。如果你不使用[:len_p]来对C数组进行切片操作，Cython就会在数组中循环整整1000个元素。
# 如果循环中未发生break
else:
p[len_p] = n
len_p += 1
n += 1如果没有发生break，也就是说我们找到了一个质数，那么从第16行else之内的代码段就会被执行。我们向p中添加这个被找到的质数。在for循环之后有一个else是Python一个少为人知的语言特性，所以你可能会觉得有些奇怪，而Cython会以C的速度来执行它。如果你想更多了解这个少为人知的特性，请看该博客。
# 以python列表的形式返回结果
result_as_list = [prime for prime in p[:len_p]]
return result_as_list在第22行，在我们返回结果之前，我们需要将C数组复制到一个Python列表中，因为Python不能读取C数组。Cython可以自动将很多C类型转换为Python类型，所以我们可以用一个简单的列表来把C int类型的值以Python int对象的形式复制到Python列表。你也可以采用手动循环的方式使用result_as_list.append(prime)来完成这个操作，结果是一样的。
你会注意到我们采用了与Python完全相同的方式来声明一个Python列表。因为我们没有显式声明变量result_as_list的类型，它会被视为一个Python对象，而Cython也会从分配中知道它的确切类型为一个Python列表。
最后，我们返回了一个结果的列表。
使用Cython编译器，我们编译primes.pyx从而生成一个拓展模块。我们可以在交互的解释器里试试这个拓展模块：
>>> import primes
>>> primes.primes(10)
[2, 3, 5, 7, 11, 13, 17, 19, 23, 29]成功了！你可能好奇Cython究竟帮我们节省了多少工作量，所以让我们来看看这个模块生成的C代码。
Cython为我们提供了一种方式，让我们可以看到Python对象和Python的C-API之间的交互。我们在cythonize()中传入参数annotate=True，它会生成一个HTML文件。
白色的行意味着生成代码时没有和Python进行交互，所以这部分代码会运行得和正常的C代码一样快。黄色越深说明在这一行与Python进行的交互越多。这些黄色的行会操作Python对象、生成异常、或是做一些其他更高级的操作，而这些操作都不能被翻译为简单快速的C代码。函数声明和返回使用了Python的解释器，所以这些行也是黄色的。列表也是同样，因为这是创建了一个Python对象。但是为什么if n % i == 0:这一行也是黄色的呢？我们可以通过检查生成的C代码来帮助我们理解：
我们可以看到这里做了一些检查。因为Cython默认使用Python的行为，所以它会像Python一样在运行时做除法检查。你可以在使用编译指令时禁用这项检查。
现在，即使我们做除法检查，我们也可以看看程序运行的速度。我们写一个Python版的相同的程序：
def primes_python(nb_primes):
p = []
n = 2
while len(p) < nb_primes:
# 是否是质数？
for i in p:
if n % i == 0:
break
# 如果循环中未发生break
else:
p.append(n)
n += 1
return p我们也可以直接使用.py文件，但使用Cython来编译它。让我们使用primes_python，把它的函数名改为primes_python_compiled，在不改变任何代码的情况下使用Cython编译它。我们也可以将文件名修改为example_py_cy.py来区分这个文件。现在setup.py是这样：
from distutils.core import setup
from Cython.Build import cythonize
setup(
ext_modules=cythonize(['example.pyx', # 含有primes()函数的Cython代码文件
'example_py_cy.py'], # 含有primes_python_compiled()函数的Python代码文件
annotate=True), # 生成html注释文件
)我们可以保证两个程序输出结果相同：
>>> primes_python(1000) == primes(1000)
True
>>> primes_python_compiled(1000) == primes(1000)
True比较一下速度：
python -m timeit -s 'from example_py import primes_python' 'primes_python(1000)'
10 loops, best of 3: 23 msec per loop
python -m timeit -s 'from example_py_cy import primes_python_compiled' 'primes_python_compiled(1000)'
100 loops, best of 3: 11.9 msec per loop
python -m timeit -s 'from example import primes' 'primes(1000)'
1000 loops, best of 3: 1.65 msec per loop
primes_python的Cython版本比Python的版本速度快一倍，而我们并没有改代码。而Cython版本更是比Python版本的速度快了13倍！怎么解释？
多种因素：
- 这个程序中，每一行只有少量的计算，所以python解释器的总开销就非常重要了。如果需要做大量的计算情况就不一样了。比如Numpy。
- 数据的局部性。C比Python对CPU缓存的支持性更好。Python中一切皆对象，每个对象都以字典的形式实现，而这对缓存是不友好的。
一般来说，加速会在2x到1000x之间，具体取决于你调用Python解释器的多少。请在每次添加类型时先分析。添加类型会使代码的可读性变差，所以你需要做一个权衡。
你也可以用Cython来调用C++。注意，一部分C++标准库可以在Cython代码中被直接导入。
让我们看看primes.pyx在使用C++标准库中的vector后会如何变化：
- 注意，C++中的vector是一种建立于可改变容量的C数组上的列表或栈的数据结构。它和数组标准库模块中Python的数组类型相似。如果事先知道你需要在vector中放入多少数据，你就可以使用方法
reserve来避免复制操作。更多信息请看此页面。
# distutils: language=c++
from libcpp.vector cimport vector
def primes(unsigned int nb_primes):
cdef int n, i
cdef vector[int] p
p.reserve(nb_primes) # allocate memory for 'nb_primes' elements.
n = 2
while p.size() < nb_primes: # vector的size()与len()类似
for i in p:
if n % i == 0:
break
else:
p.push_back(n) # push_back is similar to append()
n += 1
# 在转换到Python对象时vector被自动转换为Python列表
return p第一行是编译指令，它告诉Cython把代码编译到C++。这样你就可以使用C++语言的特性和C++标准库。注意不能使用pyximport来把Cython代码编译到C++。你需要使用setup.py者notebook来运行这个例子。
可以看到，vector的API和Python列表的API相似。在Cython中，有时我们也可以将它作为一个简易的替换。
关于更多在Cython中使用C++的细节，请看在Cython中使用C++。