前一篇文章python之快速数值计算，使用pybind11用C++为python写lib，让你的python数值计算速度提升100倍主要介绍了使用C给python写模块的一些基本知识，本篇主要借助一个例子，来看下用C来计算到底可以有多快。
在多因子处理的过程中，对于因子的行业中性计算是运算量比较大，在因子处理时会花费比较多时间的一个环节。本篇就用Z-score方法来对因子进行行业中性化计算为例子，来看看到底行业中性计算可以达到什么样的速度。
话不多说，先把C的计算代码框架拿出来，然后分析下行业中性化的运算结构。
- 输入参数为两个，一个是原始因子矩阵，另一个是和因子矩阵相对应的行业代码矩阵。
- 返回结果为和原因子矩阵大小一致的行业中性化后的矩阵。
- 最外层循环是对行的循环，也就是对时间循环。
- 内层首先对列循环分别计算相同行业的因子均值和标准差（这里需要用到均值和标准差的迭代公式）。
- 最后再对列循环计算行业中性化后的因子值，并填入结果矩阵中。
按照上述逻辑编写代码
以上是函数的主体运算部分，为了放进一张图片里，调整了下代码结构，可读性不是太强，就是按照上述的逻辑来的，各位小伙伴应该也可以自行编写出来。
之后咱们就用前一篇文章讲的方法编译一把，在python里运行看看，
等了老半天才算出来，大概花了24秒的时间，其中计算的两个矩阵都是3071*4002，就是正常日频因子的矩阵大小。好吧这个也太慢了，我们需要改进一下，用一下C的多线程，毕竟我的小破电脑还是有四个核的，应该能提升下吧。
网上查看了几种稍微简便点的多线程计算的方法，发现最好用的还是openmp。
openmp的用法极其简单，就是在需要并行计算的for循环上加一句 #pragma omp parallel for，就会对for循环中的内容进行并行计算。
但是如果这个for循环中的结构相对复杂，而且for循环内部是有执行先后关系的，就需要用到另一个openmp的功能就是section，就是用section去包裹需要顺序执行的代码区域。
openmp还有一些其他的功能比如锁呀什么的，目前代码用不到，但是如果在并发的时候有可能对同一内存区域进行写入操作，必须要上锁，必须要上锁，必须要上锁！！！（重要的事情说三遍）如何上锁的问题，之后如果遇到会进行详细介绍，当前这个函数不涉及同时对一个内存区域操作的问题。
Emm…最后代码的样子大概是下面这个样子的。
对之前的代码加上openmp并行之后，再进行编译，这个时候需要多加一个编译的参数，要开启openmp这个功能，编译代码变成如下的样子。
其中calc.cpp是待编译的cpp文件，路径1需要替换成前文获取到的pybind11-master文件夹下的include文件夹的所在路径，路径2需要替换成python安装路径的include文件夹的所在路径，路径3替换成python安装路径下的libs文件夹的所在路径，calc.pyd是生成的pyd名称，需要和cpp中模块名一致。多加了一个/openmp的参数。
然后重新编译cpp文件，在python中运行如下。
可以看到加openmp之后运行时间是不加的1/3。显著提高了运行速度，测试电脑是4核intel处理器，可以提高三倍左右的速度。一对比发现快了一些，但是9秒的速度还是太慢。
好吧接下来请出大杀器intel编译器，网上可以看到很多文章都说intel的编译器很牛逼，本人就去下载了一个来试试，下载方法可以自行百度，文末也会附上本人用的intel编译器。
本人使用的是Intel Parallel Studio XE 2019，设配的vs环境是vs2015。使用inetl编译器需要用icl命令，不过和cl命令差不太多。编译命令如下：
icl和cl命令的差别如下：
- 开头的命令从cl变成icl。
- 从/openmp变成/Qopenmp。
- 从link/LIBPATH(原来只需要python的lib所在的路径) 变成了/link 对应python的lib（这里的lib视python环境而变，本文使用的是python35所以link的是python35.lib）。
用上述命令编译之后，在python执行代码如下：
其中testfunc1是初始代码，testfunc2是加了openmp代码后的函数。可以看到速度直接起飞，之前的什么9秒都不香了。即使是未加任何优化的代码，intel编译器出来的文件执行速度也要远远高于vs编译器的速度。
以上就是用C给python写相应模块的实操过程，用到了openmp来进行并行计算，最后还用到了大杀器intel编译器，真的用这个编译器之后，其他的都不香了。
所以，小伙伴们你的行业中性计算需要多久呢？
