[Pycon] [new paper] "Pietro Battiston" - Codice più efficiente? Restate cythonizzati

[info a pycon.it]

Title: Codice più efficiente? Restate cythonizzati
Duration: 240 (includes Q&A)
Q&A Session: 0
Language: en
Type: Training

Abstract: Che lo sappiate o no, ogni volta che usate ``pandas`` o ``scipy`` o ``astropy`` o ``caffe`` o ``statsmodels``... state utilizzando codice scritto in ``cython``.

O meglio, state utilizzando _anche_ codice ``cython``.

Questo "_anche_" è la vostra salvezza se il vostro amore per Python è dovuto almeno in parte a quella sana pigrizia che ti dice "chi lascia la strada vecchia per la nuova..." Perché ``cython`` non ti obbliga a prendere una strada nuova dal classico listato Python: ti permette invece di prendere solo le scorciatoie che desideri.

Lo scopo di questo tutorial quindi non è mostrare che ``cython`` è la soluzione a tutti problemi, ma che per quei problemi di performance di cui è la soluzione, provare a "cythonizzare" il codice può dare risultati sorprendenti con uno sforzo minimo.

Quanto minimo? Il tempo di questo tutorial!
(Che includerà qualche esempio di integrazione ``cython`` - ``numpy``)

Requisiti
---------

Venite armati di portatile, con installati

 -  Jupyter notebook
 -    Python 3 (preferibilmente 3.5.x o successivo)
 -    cython3 (ed un compiler)
 -    numpy versione 1.10 o successiva


Tutto ciò si può trovare negli archivi ufficiali Debian o Ubuntu: pacchetti ``cython3``, ``build-essentials``, ``python3-numpy`` e ``jupyter-notebook`` (o ``ipython-notebook``). Oppure si può installare con ``pip`` o con ``conda``/``anaconda``, come indicato [qui][1], [qui][2] e [qui][3].

  [1]: http://jupyter.org/install.html
  [2]: https://docs.scipy.org/doc/numpy-1.13.0/user/install.html
  [3]: http://cython.readthedocs.io/en/latest/src/quickstart/install.html

Tags: [u'cython', u'performance', u'pydata', u'C/C++', u'numpy']