Используйте Typed memoryview в cython, если размеры неизвестны

Проблема такого рода проблем заключается в том, что Python использует динамическую типизацию, поэтому вы всегда будете терять скорость при выборе пути кода. Однако, в принципе, вы можете сделать отдельные пути кода довольно быстрыми. Подход, который может дать вам хорошие результаты, будет:

1. определить функцию «реализации», которая работает с одномерным представлением памяти.
2. Define a wrapper function that operates on any python object.
   1. If it's passed a 1D memoryview, call the implementation function;
   2. если ему передан скаляр, создайте массив 1x1 и вызовите функцию реализации;
   3. Если ему передан массив multi-D, то либо сгладьте его для функции реализации, либо выполните итерацию по строкам, вызывая функцию реализации для каждой строки.

Далее следует быстрая реализация. Это предполагает, что вы хотите, чтобы функция применялась к каждому элементу входного массива (и вам нужен выходной массив того же размера). Выбранная иллюстративная функция просто добавляет 1 к каждому значению. Он также использует numpy местами (а не просто типизированные представления памяти), что я считаю разумным:

cimport cython
import numpy as np
import numbers

@cython.boundscheck(False)
cdef double[:] _plus_one_impl(double[:] x):
  cdef int n
  cdef double[:] output

  output = x.copy()
  for n in range(x.shape[0]):
    output[n] = x[n]+1
  return output

def plus_one(x):
  if isinstance(x,numbers.Real): # check if it's a number
    return _plus_one_impl(np.array([x]))[0]
  else:
    try:
      return _plus_one_impl(x)
    except ValueError: # this gets thrown if conversion fails
      if len(x.shape)<2:
        raise ValueError('x could not be converted to double [:]')
      output = np.empty_like(x) # output is all numpy, whatever the input is
      for n in range(x.shape[0]): # this loop isn't typed, so is likely to be pretty slow
        output[n,...] = plus_one(x[n,...])
      return output

Этот код, вероятно, в некоторых случаях будет несколько медленным (например, двумерный массив с коротким вторым измерением).

Однако моя настоящая рекомендация — изучить ufuncs numpy, которые предоставляют интерфейс для эффективного достижения такого рода вещей. (См. http://docs.scipy.org/doc/numpy-dev/user/c-info.ufunc-tutorial.html). К сожалению, они сложнее, чем Cython.