Python + alglib + NumPy: как избежать преобразования массивов в списки?

контекст: Я недавно обнаружил проекта библиотека (для численных вычислений), что, похоже, то, что я искал (надежная интерполяция, анализ данных...) и не мог найти в numpy или scipy.

однако, меня беспокоит тот факт, что (например. для интерполяции) он не принимает массив numpy в качестве допустимого формата ввода, но только обычный список python объекты.

: Я немного покопался в коде и документации и обнаружил (как и ожидалось), что этот формат списка предназначен только для перехода, поскольку библиотека в любом случае преобразует его в ctypes (библиотека cpython-это просто интерфейс для базовой библиотеки C/C++).

вот где моя забота: внутри моего кода я работаю с массивами numpy, потому что это большой прирост производительности для научных вычислений, которые я выполняю на нем. Таким Образом, Я страх необходимости конвертировать любые данные, переданные в проекта подпрограммы в список (который будет преобразован в ctypes) будут иметь огромное влияние на производительность (я работаю с массивами, которые могут иметь сотни тысяч поплавков внутри, и с тысячами массивов).

вопрос: Вы думаете, что у меня действительно будет потеря производительности, или вы думаете, что я должен начать изменять проекта код (только python интерфейс), чтобы он мог принимать массивы numpy и делать только одно преобразование (из массивов numpy в ctypes)? Я даже не знаю, возможно ли это, потому что это довольно большая библиотека... Возможно, у вас есть лучшие идеи или предложения (даже в похожих, но разных библиотеках)...

редактировать

Кажется, моя проблема не получает большого интереса, или что мой вопрос не ясен/релевантен. Или, может быть, ни у кого нет решения или совета, но я сомневаюсь со многими эксперты вокруг :) Во всяком случае, я написал небольшой, быстрый и грязный тестовый код, чтобы проиллюстрировать проблему...

#!/usr/bin/env python

import xalglib as al
import timeit
import numpy as np

def func(x):
    return (3.14 *x**2.3 + x**3 -x**2.34 +x)/(1.+x)**2

def fa(x, y, val=3.14):
    s = al.spline1dbuildakima(x, y)
    return (al.spline1dcalc(s, val), func(val))

def fb(x, y, val=3.14):
    _x = list(x)
    _y = list(y)
    s = al.spline1dbuildakima(_x, _y)
    return (al.spline1dcalc(s, val), func(val))

ntot = 10000
maxi = 100
x = np.random.uniform(high=maxi, size=ntot)
y = func(x)
xl = list(x)
yl = list(y)

print "Test for len(x)=%d, and x between [0 and %.2f):" % (ntot, maxi)
print "Function: (3.14 *x**2.3 + x**3 -x**2.34 +x)/(1.+x)**2"
a, b = fa(xl, yl)
err = np.abs(a-b)/b * 100
print "(x=3.14) interpolated, exact =", (a, b)
print "(x=3.14) relative error should be <= 1e-2: %s (=%.2e)" % ((err <= 1e-2), err)

if __name__ == "__main__":
    t = timeit.Timer(stmt="fa(xl, yl)", setup="from __main__ import fa, xl, yl, func")
    tt = timeit.Timer(stmt="fb(x, y)", setup="from __main__ import fb, x, y, func")
    v = 1000 * t.timeit(number=100)/100
    vv = 1000 * tt.timeit(number=100)/100
    print "%.2f usec/pass" % v
    print "%.2f usec/pass" % vv
    print "%.2f %% less performant using numpy arrays" % ((vv-v)/v*100.)

и запустив его, я получаю:

"""
Test for len(x)=10000, and x between [0 and 100.00):
Function: (3.14 *x**2.3 + x**3 -x**2.34 +x)/(1.+x)**2
(x=3.14) interpolated, exact = (3.686727834705164, 3.6867278531266905)
(x=3.14) relative error should be <= 1e-2: True (=5.00e-07)
25.85 usec/pass
28.46 usec/pass
10.09 % less performant using numpy arrays
"""

потеря производительности колеблется между примерно 8% и 14%, что для меня огромно...