Skip to content

README.de.md

Latest commit

 

History

History
160 lines (106 loc) · 4.77 KB

README.de.md

File metadata and controls

160 lines (106 loc) · 4.77 KB
Raw

Fibonacci-Python-Erweiterung in C++

English | 中文 | 日本語 | Français | Deutsch

Dieses Projekt zeigt, wie Fibonacci in C++ implementiert und als natives Python-Erweiterungsmodul aus Python aufgerufen werden kann.

Nach dem Build kann Python das Modul so verwenden:

import fibonacci_cpp

print(fibonacci_cpp.fibonacci(10))  # 55

Demo-Bild

Voraussetzungen

  • Python 3.x
  • CMake 3.18 oder neuer
  • Ein C++17-Compiler, zum Beispiel MinGW, MSVC oder Clang

Prüfen Sie, ob die benötigten Befehle verfügbar sind:

python --version
cmake --version
g++ --version

Das Python-Erweiterungsmodul muss mit derselben Python-Version gebaut und ausgeführt werden. Die CMake-Konfiguration dieses Projekts bevorzugt das python-Programm aus dem aktuellen Kommandozeilen-PATH, sodass das mit cmake --build build erzeugte Modul direkt über python main.py importiert werden kann.

Um einen bestimmten Python-Interpreter auszuwählen, konfigurieren Sie CMake so:

cmake -S . -B build -DPython_EXECUTABLE="C:\Users\YourName\miniconda3\python.exe"

Build

Führen Sie diese Befehle im Projektstamm aus:

cmake -S . -B build
cmake --build build

Nach einem erfolgreichen Build enthält der Ordner build eine Datei ähnlich wie:

fibonacci_cpp.cp313-win_amd64.pyd

Das Python-Versionskennzeichen im Dateinamen kann abweichen. cp313 steht zum Beispiel für CPython 3.13.

Die zentrale CMake-Konfiguration lautet:

find_package(Python REQUIRED COMPONENTS Interpreter Development.Module)

add_library(fibonacci_cpp MODULE
    src/fibonacci.cpp
)

target_link_libraries(fibonacci_cpp PRIVATE Python::Module)

Das erzeugte Modul heißt fibonacci_cpp und wird in Python mit import fibonacci_cpp importiert.

Verwendung

src/fibonacci.cpp stellt über die Python C API eine Funktion bereit:

fibonacci_cpp.fibonacci(n)

Hinweise:

  • n muss eine nicht negative Ganzzahl sein.
  • Der Rückgabewert ist ein Python-int, daher werden große Ergebnisse unterstützt.
  • Auf der C++-Seite wird n derzeit als unsigned long long eingelesen. Der größte akzeptierte Index ist also 18446744073709551615. Die praktischen Grenzen hängen weiterhin von Speicher und Laufzeit ab.

Demo ausführen:

python main.py

Größeren Benchmark ausführen:

python main.py 1000000

Wall-Time-Benchmark

main.py macht zwei Dinge:

  • Es gibt kleine Beispiele von fibonacci_cpp.fibonacci(0) bis fibonacci_cpp.fibonacci(10) aus.
  • Es vergleicht die Wall Time einer reinen Python-Implementierung mit der C++-Erweiterung für dasselbe große n.

Standard-Benchmark:

python main.py

Beispielergebnis:

Benchmark n = 100,000
Result decimal digits : 20,899
Python Wall Time     : 0.052376 s
C++ Wall Time        : 0.000816 s
Speedup              : 64.18x

Benchmark mit n = 1000000:

python main.py 1000000

Beispielergebnis:

Benchmark n = 1,000,000
Result decimal digits : 208,988
Python Wall Time     : 4.540529 s
C++ Wall Time        : 0.033997 s
Speedup              : 133.56x

Die Wall Time hängt von Maschine, Python-Version, Compiler und Hintergrundlast ab. Diese Zahlen sind daher nur Referenzwerte. Für genauere Messungen sollten mehrere Durchläufe gemittelt oder ein Werkzeug wie pyperf verwendet werden.

Warum C++ hier hilft

C++-Erweiterungen eignen sich gut für rechenintensive Hot Paths. In diesem Projekt:

  • Die Python-Version nutzt eine einfache Schleife, sodass jeder Schritt über Python-Bytecode-Ausführung und Variablenbindung läuft.
  • Die C++-Erweiterung verlagert die rechenintensive Logik in ein kompiliertes Modul und reduziert damit den Schleifen-Overhead auf Python-Ebene.
  • Die C++-Implementierung verwendet schnelles Verdoppeln und berechnet Fibonacci mit ungefähr O(log n) Großzahloperationen statt mit O(n) Schleifeniterationen.
  • Python übernimmt weiterhin Einstiegspunkt und Ausgabe, während C++ die schwere Berechnung erledigt.

Nicht jedes Python-Programm wird schneller, wenn Code nach C++ verschoben wird. Sprachübergreifende Aufrufe haben ebenfalls Kosten. Dieser Ansatz passt besonders gut zu stabiler, rechenintensiver Logik mit kontrollierter Aufruffrequenz.

Lernressourcen