來源：麥叔編程

今天同事給我扔了一個.pyd文件，說讓我跑個數(shù)據(jù)。然后我就傻了。。

不知道多少粉絲小伙伴會run?.pyd代碼文件？如果你也懵懵的，請繼續(xù)往下讀吧。。

今天科普下各類Python代碼文件的后綴，給各位Python開發(fā)“掃掃盲”。

.py

最常見的Python代碼文件后綴名，官方稱Python源代碼文件。

不用過多解釋了~

.ipynb

這個還是比較常見的，.ipynb是Jupyter Notebook文件的擴展名，它代表"IPython Notebook"。

學過數(shù)據(jù)分析，機器學習，深度學習的同學一定不陌生！

.pyi

.pyi文件是Python中的類型提示文件，用于提供代碼的靜態(tài)類型信息。

一般用于幫助開發(fā)人員進行類型檢查和靜態(tài)分析。

示例代碼：

?

hellp.pyi


def hello(name: str) -> None:
    print(f"hello {name}")

?

.pyi文件的命名約定通常與相應的.py文件相同，以便它們可以被自動關聯(lián)在一起。

.pyc

.pyc是Python字節(jié)碼文件的擴展名，用于存儲已編譯的Python源代碼的中間表示形式，因為是二進制文件所以我們無法正常閱讀里面的代碼。

.pyc文件包含了已編譯的字節(jié)碼，它可以更快地被Python解釋器加載和執(zhí)行，因為解釋器無需再次編譯源代碼。

.pyd

.pyd是Python擴展模塊的擴展名，用于表示使用C或C++編寫的二進制Python擴展模塊文件。

.pyd文件是編譯后的二進制文件，它包含了編譯后的擴展模塊代碼以及與Python解釋器交互所需的信息。

此外，.pyd文件通過import語句在Python中導入和使用，就像導入普通的Python模塊一樣。

由于C或C++的執(zhí)行速度通常比純Python代碼快，可以使用擴展模塊來優(yōu)化Python代碼的性能，尤其是對于計算密集型任務。

?

.pyw

.pyw是Python窗口化腳本文件的擴展名。

它表示一種特殊類型的Python腳本文件，用于創(chuàng)建沒有命令行界面（即控制臺窗口）的窗口化應用程序。

一般情況下，運行Python腳本會打開一個命令行窗口，其中顯示腳本輸出和接受用戶輸入。但是，對于某些應用程序，如圖形用戶界面（GUI）應用程序，不需要命令行界面，而是希望在窗口中顯示交互界面。這時就可以使用.pyw文件。

示例代碼：

?

# click_button.pyw


import tkinter as tk


def button_click():
    label.config(text="Button Clicked!")


window = tk.Tk()
button = tk.Button(window, text="Click Me", command=button_click)
button.pack()


label = tk.Label(window, text="Hello, World!")
label.pack()


window.mainloop()

?

.pyx

.pyx是Cython源代碼文件的擴展名。

Cython是一種編譯型的靜態(tài)類型擴展語言，它允許在Python代碼中使用C語言的語法和特性，以提高性能并與C語言庫進行交互。

我對比了下Cython與普通python的運行速度：

fb.pyx(需使用cythonize命令進行編譯)

?

cdef int a, b, i


def fibonacci(n):
if n <= 0:
raise ValueError("n必須是正整數(shù)")


if n == 1:
return 0
elif n == 2:
return 1
else:
        a = 0
        b = 1
for i in range(3, n + 1):
            a, b = b, a + b
return b

?

run.py

?

import fb
import timeit


def fibonacci(n):
if n <= 0:
raise ValueError("n必須是正整數(shù)")


if n == 1:
return 0
elif n == 2:
return 1
else:
        a, b = 0, 1
for _ in range(3, n + 1):
            a, b = b, a + b
return b


# 純Python版本
python_time = timeit.timeit("fibonacci(300)", setup="from __main__ import fibonacci", number=1000000)


# Cython版本
cython_time = timeit.timeit("fb.fibonacci(300)", setup="import fb", number=1000000)


print("純Python版本執(zhí)行時間:", python_time)
print("Cython版本執(zhí)行時間:", cython_time)

?

得出結果：

?

純Python版本執(zhí)行時間: 12.391942400000516
Cython版本執(zhí)行時間: 6.574918199999956

?

在這種計算密集任務情況下，Cython比普通Python效率快了近一倍。