Pythonnet这个屌爆的专案的出现，使得我们可以用一种新的方式，让C#可以和Python之间进行互操作。但是它的设定和部署可能有点问题，真的是这样吗？

本文我会介绍Python.Included这个专案，它不但优雅的解决了这个问题，并且让.NET开发者可以轻松愉快的让.NET与Python进行互操作。作为概念的证明，我将使用Numpy.Net进行展示，它是一个.NET标准库，它为Python的Numpy提供了一个强型别API，并且使用它并不需要在Windows上安装Python。

开发人员从Numpy.NET的强型别API中获益，与动态API不同，后者支援Visual Studio的IntelliSense功能，可以显示原始的Numpy文件。

问题是什么？

每个人可能都安装了不同版本的Python，有一些人用Python 2.7，其他一些人用Python 3.5，3.6甚至3.7。当你使用pythonnet的时候，针对Python的每个小版本，它必须使用不同的配置进行编译，而且该版本的Python必须安装，这样程式码才可以执行。所以如果你在团队里工作，每个人就必须配置完全相同的Python环境。但拿我们的SciSharp团队来说，情况就已经不是这样的了。如果你想部署你的.NET应用，你首先必须部署Python，从开发人员角度来讲，这很闹心。

然而，如果你正在搞机器学习和人工智能，尽管微软和SciSharp都付出了很大努力，但目前你还是无法完全避免Python的使用。如果你看一下正在使用pythonnet的专案的列表，你会发现很多AI领域的公司当前都在使用.NET与Python进行连线。

Python.Included 前来救援

如果你可以很简单的引用一个Nuget包，并在无需手动修改的情况下，一切都会自动的配置好，假如可以达到这种程度，你会感觉怎么样？这就是我建立Python.Included的愿景，Python.Included可以把packages python-3.7.3-embed-amd64.zip包含在它的程式集里，这这样就允许你可以通过Nuget来有效的引用Python了。为了证明它能正常工作，并可以快速提供所有的NumSharp中仍然缺少的Numpy功能，我建立了基于Python.Included的Numpy.NET这个专案。

概念验证：Numpy.NET

Numpy.NET为Numpy提供了强型别的包装函式，这意味着您完全不需要使用dynamic关键字，但这部分我会在另一篇文章中深入讨论。今天的重点是介绍 Numpy.NET 如何使用 Python.Included 来按需自动部署Python和Numpy以便对它们进行呼叫。

这是Numpy将在幕后实际执行的设定程式码。这些都不需要你来操作。一旦你使用了它的一个函式：

var a = np.array(new [,] {{1, 2}, {3, 4}});,

Numpy.dll 就会设定好嵌入的Python发行版，而它是从你本机home目录里的程式集里解压缩出来的（如果还没安装过的话）。

var installer = new Python.Included.Installer();

installer.SetupPython(force:false).Wait();

下一步（如果在之前的执行中还没完成）它将解压缩 numpy pip wheel，而numpy pip wheel 是作为嵌入的资源打包到了Numpy.dll里的并其安装到了Python安装档案里。

installer.InstallWheel(typeof(NumPy).Assembly, "numpy-1.16.3-cp37-cp37m-win_amd64.whl").Wait();

最后，pythonnet执行时被初始化了，Numpy也被汇入进来了，可供后续使用。

PythonEngine.Initialize();

Py.Import("numpy");

这些都是在幕后发生的，使用Numpy.dll的使用者根本不用担心本地的Python安装。事实上，即使您已安装了任何版本的Python也无所谓。

效能注意事项

大家都知道pythonnet比较慢，因此您可能会问自己，使用pythonnet将Python库与.NET接在一起是否真的是一个好主意。一如既往，这要看情况而定。

我的测试结果表明，与直接从Python呼叫Numpy相比，使用.net呼叫numpy的开销大约是它的4倍。需要澄清一下，这并不意味着Numpy.NET比python中的numpy慢四倍，这仅仅意味着通过pythonnet呼叫Numpy会有额外的开销。当然了，由于Numpy.NET呼叫的是Numpy，Numpy函式本身的执行时间是完全相同的。

开销是否是一个问题完全取决于实际用例。如果您在一个巢状循环中不断的在CLR和Python之间来回切换，那就可能会遇到问题。但大多数Python库的设计都都是为了提高效率，避免资料循环。Numpy允许您只使用一个呼叫就可以对数百万的阵列元素进行操作。Pytorch和Tensorflow允许您完全在GPU上执行操作。因此，如果正确使用，与处理大量资料时操作的执行时间相比，互操作开销可以忽略不计。