【Python】详解Python文件： .py、.ipynb、.pyi、.pyc、.pyd ！
来源：麦叔编程
今天同事给我扔了一个.pyd文件，说让我跑个数据。然后我就傻了。。
不知道多少粉丝小伙伴会run .pyd代码文件？如果你也懵懵的，请继续往下读吧。。
今天科普下各类Python代码文件的后缀，给各位Python开发“扫扫盲”。
.py
最常见的Python代码文件后缀名，官方称Python源代码文件。
不用过多解释了~
.ipynb
这个还是比较常见的，.ipynb是Jupyter Notebook文件的扩展名，它代表"IPython Notebook"。
学过数据分析，机器学习，深度学习的同学一定不陌生！
.pyi
.pyi文件是Python中的类型提示文件，用于提供代码的静态类型信息。
一般用于帮助开发人员进行类型检查和静态分析。
示例代码：
# hellp.pyi
def hello(name: str) -> None:
print(f"hello {name}")
.pyi文件的命名约定通常与相应的.py文件相同，以便它们可以被自动关联在一起。
.pyc
.pyc是Python字节码文件的扩展名，用于存储已编译的Python源代码的中间表示形式，因为是二进制文件所以我们无法正常阅读里面的代码。
.pyc文件包含了已编译的字节码，它可以更快地被Python解释器加载和执行，因为解释器无需再次编译源代码。
.pyd
.pyd是Python扩展模块的扩展名，用于表示使用C或C++编写的二进制Python扩展模块文件。
.pyd文件是编译后的二进制文件，它包含了编译后的扩展模块代码以及与Python解释器交互所需的信息。
此外，.pyd文件通过import语句在Python中导入和使用，就像导入普通的Python模块一样。
由于
C或C++的执行速度通常比纯Python代码快，可以使用扩展模块来优化Python代码的性能，尤其是对于计算密集型任务。
.pyw
.pyw是Python窗口化脚本文件的扩展名。
它表示一种特殊类型的Python脚本文件，用于创建没有命令行界面（即控制台窗口）的窗口化应用程序。
一般情况下，运行
Python脚本会打开一个命令行窗口，其中显示脚本输出和接受用户输入。但是，对于某些应用程序，如图形用户界面（GUI）应用程序，不需要命令行界面，而是希望在窗口中显示交互界面。这时就可以使用.pyw文件。
示例代码：
# 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源代码文件的扩展名。
Cython是一种编译型的静态类型扩展语言，它允许在Python代码中使用C语言的语法和特性，以提高性能并与C语言库进行交互。
我对比了下Cython与普通python的运行速度：
fb.pyx(需使用cythonize命令进行编译)
import fb
import timeit
def fibonacci(n):
if n <= 0:
raise ValueError("n必须是正整数")
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
# 纯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("纯Python版本执行时间:", python_time)
print("Cython版本执行时间:", cython_time)
run.py
import fb
import timeit
def fibonacci(n):
if n <= 0:
raise ValueError("n必须是正整数")
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
# 纯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("纯Python版本执行时间:", python_time)
print("Cython版本执行时间:", cython_time)
得出结果：
纯Python版本执行时间: 12.391942400000516
Cython版本执行时间: 6.574918199999956
在这种计算密集任务情况下，Cython比普通Python效率快了近一倍。
---END---
往期精彩回顾
交流群
欢迎加入机器学习爱好者微信群一起和同行交流，目前有机器学习交流群、博士群、博士申报交流、CV、NLP等微信群，请扫描下面的微信号加群，备注：”昵称-学校/公司-研究方向“，例如：”张小明-浙大-CV“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~（也可以加入机器学习交流qq群772479961）