Python正面硬刚C语言，结果会怎样？

[[419970]]

雷达数据可视化是雷达数据处理的最后阶段，通常是将一个二维数组的数据转换为扇形图像。这个二维数组的行数对应着雷达的扫描半径，扫描半径越大，行数越多;数据的列数和雷达的扫描角度相关，扫描角度越大，列数越多。

雷达扫描数据样例(扫描半径1km，扫描范围130°)

比如，上面这张图就是一个扫描半径1km、扫描范围130°的雷达二维数据的直观显示，下面这张图则是由这个数据转换得到的扇形图像。

原始数据转扇形图像(顺时针扫描，初始相位155°)

二维数据转扇形图像的原理很简单，就是将二维数据的每一列写到输出图像的对应像素上。如果输出图像的扇形弧长比原始数据的列数多，则需要插值。下图是二维数据转扇形图像的原理示意图，原始数据共有8列，而输出图像的圆弧长24个像素(弧长取决于雷达扫描角度和扫描半径)，故每一列数据被重复操作了3次，每次的旋转角度各不相同。

二维数据转扇形图像原理示意图

近日有网友求援，要我帮忙优化一个用于雷达数据可视化的Python脚本。略作分析之后，基于二维数据转扇形图像的基本原理，我为求援的网友重写了一个新的脚本文件，全部代码大约50余行。

# -*- coding:utf-8 -*- 
 
import os, time 
import numpy as np 
from PIL import Image 
 
def outimg(fn_squ, fn_fan, angle, r0=0, phase=180, cw=True): 
    """将矩形图像转为环形 
 
    fn_squ      - 输入文件名 
    fn_fan      - 输出文件名 
    angle       - 环形夹角度数 
    r0          - 环形内圆半径，默认r0为0，输出扇形 
    phase       - 初始相位（原点在输出图像的中心，以指向右侧的水平线为0°，逆时针方向为正） 
    cw          - 顺时针扫描 
    """ 
 
    im = np.array(Image.open(fn_squ)) # 读图像文件为NumPy数组 
    h, w, d = im.shape # 矩形图像的高度、宽度和通道数 
 
    r1 = h + r0 # 扇形半径 
    k = int(np.ceil(np.radians(angle)*r1/w)) # 插值系数（自动确定，无需修改） 
 
    xs = np.ones((2*r1-1, 2*r1-1), dtype=np.int32) * -1 # 列索引数组 
    ys = np.ones((2*r1-1, 2*r1-1), dtype=np.int32) * -1 # 行索引数组 
    rs = np.linspace(r1, r0, h) # 半径序列 
    hs = range(h) # 行序列 
 
    if cw: # 顺时针扫描 
        theta = np.radians(np.linspace(phase, phase-angle, k*w)) 
    else: # 逆时针扫描 
        theta = np.radians(np.linspace(phase, phase+angle, k*w)) 
 
    for i in range(k*w): 
        x = np.int32(np.cos(theta[i])*rs) + r1 - 1 
        y = -np.int32(np.sin(theta[i])*rs) + r1 + 1 
 
        xs[(y, x)] = i//k 
        ys[(y, x)] = hs 
 
    im_fan = im[(ys, xs)] # 从原始数据得到扇形图像数据 
    im_fan[np.where(xs == -1)] = (0,0,0,0) # 空白部分置为透明 
    Image.fromarray(im_fan).save(fn_fan) # 保存为文件 
 
 
if __name__ == '__main__': 
    fn_squ = 'res/raw_d130_1km.png' 
    fn_fan = 'res/fan_d130_1km.png' 
 
    t0 = time.time() 
    outimg(fn_squ, fn_fan, angle=130, r0=100, phase=155, cw=True) 
    t1 = time.time() 
 
    print('图像已处理完并保存，耗时%d毫秒'%int((t1-t0)*1000)) 

使用上面展示的扫描半径1km、扫描范围130°的雷达二维数据(可直接下载图像文件作为测试数据)，这段代码生成扇形图像大约耗时1.6秒钟。发给求援的网友之后，很快传来了反馈消息：新的脚本不但可以正常运行，速度更是提升了20倍左右。略带夸张的千恩万谢之后，这位网友又说，他们原本对优化没有抱多大期望，只想尝试一下;如果优化结果不理想的话，打算用C替换这个脚本的;现在好了，处理速度足可满足需求，无需再用C重写了。

帮忙的事情算是圆满结束了，但这位网友的话却让我萌生了一个想法：用C来实现同样的功能，究竟会比Python快多少呢?平时总听到很多人说，Python如何如何慢，何不借此问题，让Python和C来一个正面较量呢?

坐而论道，不如起而行之。几个小时之后，我写完了下面这段同样是实现二维数据转扇形图像的C代码。其中加载图像文件和保存图像文件，借用了GitHub上的一个C/C++图像库。这个名为stb的图像库，并非无名之辈，单是Contributors就有188人之多，持续开发近10年之久，圈内也算小有名气。若要运行下面的代码，请先去stb的GitHub(https://github.com/nothings/stb/)下载stb_image.h和stb_image_write.h两个头文件。

#include <stdio.h> 
#include <stdlib.h> 
#include <windows.h> 
 
#define _USE_MATH_DEFINES 
#include <math.h> 
 
#define STB_IMAGE_IMPLEMENTATION 
#include "stb_image.h" 
 
#define STB_IMAGE_WRITE_IMPLEMENTATION 
#include "stb_image_write.h" 
 
int main() { 
    LARGE_INTEGER li; 
    LONGLONG startTime, stopTime, freq; 
    QueryPerformanceFrequency(&li); 
    freq = li.QuadPart; 
    QueryPerformanceCounter(&li); 
    startTime = li.QuadPart; // 记录开始时间 
 
    char* rawFile = "D://MyCcode//RadoData2Image//res//raw_d130_1km.png"; 
    char* outFile = "D://MyCcode//RadoData2Image//res//fan_d130_1km.png"; 
    int w_raw = 0, h_raw = 0, chn = 0; 
 
    unsigned char* radoData = stbi_load(rawFile, &w_raw, &h_raw, &chn, 0); 
 
    int r0 = 100, cw = 1, r1 = h_raw + r0; 
    double angle = 130.0, phase = 155.0; 
    int w_out = 2*r1 - 1, h_out = 2*r1 - 1; 
    int size_out = w_out * h_out * chn; 
    int k = (int)(ceil((M_PI*angle/180.0)*w_out/w_raw)); 
    int arc = k * w_raw; 
    double step = angle/(arc-1); 
 
    char* fanData; 
    fanData = (char*)malloc(size_out); // 生成保存转换结果的数组 
    for (int i=0; i<size_out; ++i) { 
        fanData[i] = 0; // 初始化像素，全部透明 
    } 
 
    double theta, sinv, cosv; 
    int x, y, col_raw, pos_raw, pos_out; 
    for (int i=0; i<arc; i++) { 
        if (cw == 1) 
            theta = M_PI * (phase - i*step) / 180.0; 
        else 
            theta = M_PI * (phase + i*step) / 180.0; 
 
        sinv = sin(theta); 
        cosv = cos(theta); 
        col_raw = i/k; 
 
        for (int r=r0; r<r1; r++) { 
            x = (int)(cosv*r) + r1 - 1; 
            y = -(int)(sinv*r) + r1 + 1; 
            pos_out = (y * h_out + x) * chn; 
            pos_raw = ((h_raw - 1 - r + r0) * w_raw + col_raw) * chn; 
            for (int j=0; j<4; j++) 
                fanData[pos_out+j] = radoData[pos_raw+j]; 
        } 
    } 
 
    // 将转换结果保存为文件 
    stbi_write_png(outFile, w_out, h_out, chn, fanData, 0); 
 
    QueryPerformanceCounter(&li); 
    stopTime = li.QuadPart; // 记录结束时间 
    int costTime =(int)((stopTime-startTime)*1000/freq); 
    printf("Time cost: %d ms\n", costTime); 
 
    return 0; 
} 

激动人心的时刻终于到了，我迫不及待地点击了“构建并运行”按钮。看起来一切顺利，屏幕迅速滚动并最终定格。

C代码运行截图

什么?2668毫秒?竟然比Python慢了1000毫秒?不可能!!!直觉告诉我，一定是哪里出现了问题。接下来我又花了几个小时，反复检查验证，但结果和过程都没有发现问题。下表是10次运行结果的耗时记录，结果显示，在相同的测试条件下，Python平均耗时1660毫秒，C平均耗时2582毫秒，Python耗时大约是C的64%。

尽管不可思议，但我现在开始尝试相信这个结果了。读者您呢?要是有疑问或建议，欢迎留言。如有更加高效的Python代码或着C代码，请发私信给我，让我们一起将这场Python和C语言的正面交锋延续下去、延伸开来。