Какие популярные Python-библиотеки используют C для повышения производительности

Ага, вот оно чё, Михалыч! Сидит себе программист, пишет на Python, думает — о, красота, синтаксис лаконичный, код читается как книга. А потом бац — ему надо миллион чисел перемножить или гигабайты данных проанализировать. И тут он такой: "Ёпта, а почему у меня ноутбук звуки, как турбина МиГ-29, издаёт, и прогресс-бар ползёт, будто черепаха в сиропе?"

А потому, что Python, хоть и умён, но по натуре своей — болтун. Интерпретатор, GIL, байт-код... Короче, для чистой математики или жёстких циклов — он иногда тормозит, как пьяный ёж на трассе. Ну и что делать? Писать всё на C? Да ну нахуй, это ж как гвозди микроскопом забивать.

Вот тут-то наши предки-разработчики и проявили, блядь, гениальную русскую смекалку. Берём ядро, всю эту вычислительную хуйню, которая должна летать — и пишем её на C или C++. А сверху надеваем удобную, красивую питонячью пиджачку с кармашками в виде объектов и методов. Получается этакий Франкенштейн, только красивый и полезный.

Почему так — да потому что:

1. Скорость, мать её. Скомпилированный C-шный код — это как пуля. А питонячий цикл for в таких задачах — это как если бы эту пулю кидали рукой. Разница, блядь, на несколько порядков, тут даже спорить не о чем.
2. Наследство. Зачем с нуля писать, например, супер-алгоритмы линейной алгебры, если они уже 50 лет как написаны на Fortran (да-да, на этом дедушке) в библиотеках BLAS и LAPACK? Берём готовое, оборачиваем — и вуаля, у нас numpy.linalg.inv() летает.
3. Память. В C ты можешь её потрогать, пощупать, разложить данные так, чтобы процессору удобно было. В Python же над этим целая прослойка абстракций, которая, конечно, безопасна, но иногда медленна, как черепаха... ну, вы поняли.

Глянь, кто из наших главных героев так живёт:

• NumPy — это вообще царь и бог. Все эти массивы, которые ты множишь, складываешь и трансформируешь — внутри они просто куски памяти, с которыми C-код работает на максимальной скорости. Без него научные вычисления в Питоне — это пиздец, а не жизнь.
• Pandas — умная обезьянка, которая села на плечи NumPy. Сама DataFrame — это уже высокоуровневая хуйня, но когда ты делаешь groupby или какую-нибудь агрегацию — там в глубине шевелятся C-шные моторы, чтобы не заставить тебя ждать до второго пришествия.
• SciPy — это такой сборник рецептов для учёных. И там, где надо решить уравнение или преобразовать Фурье — опять же, вызывается проверенный годами C или Fortran код.
• Pillow (это наследник PIL) — хочешь картинку на 50 мегапикселей повернуть? Если бы это делал чистый Python, ты бы успел сходить за кофе, сварить его, выпить и почитать новости. А так — хрясь на C — и готово.
• lxml — пытался парсить XML на чистом Python? Это как жевать бетон. А эта библиотека — просто тонкая обёртка над зверскими C-библиотеками libxml2 и libxslt. Всё летает.

А есть же ещё Cython — это вообще отдельная магия. Это не готовая библиотека, а такой транслятор. Ты пишешь код, который выглядит почти как Python, но можешь вставить туда C-шные типы переменных. Потом этот гибрид Cython превращает в настоящий C-код, а тот компилируется в родное расширение. Получается своя собственная быстрая библиотека, без необходимости полностью погружаться в дебри C.

Вот, смотри, как это выглядит:

# Файл: fast_loop.pyx
# cdef — это магическое слово из Cython. Говорит: "Вот этой переменной дай C-шный тип, а не питонячий объект!"
def sum_range(int n):
    cdef long long total = 0  # Теперь 'total' — это быстрый C-шный long long
    cdef int i                 # И 'i' — тоже C-шный int

    for i in range(n):
        total += i
    return total

Сравни этот кусок с таким же на чистом Python. Разница в скорости будет, блядь, как между пешком и на гиперлупе. C-шный цикл не тратит время на создание и уничтожение питонячих объектов для каждого i, вот и весь секрет.

Короче, смысл в чём: Python — это офигенный командир, который отдаёт приказы. А когда надо воевать по-настоящему, он посылает в бой закалённых C-шных ветеранов. И все довольны.