我花了一些时间在我自己的问题上，并想分享我的答案，因为我觉得 stackoverflow 上没有太多关于这个主题的信息。我还认为，由于 Java 的性能和其他良好的软件开发特性的改进，Java 将在科学计算中变得更加相关（例如，参见 WEKA 数据挖掘包）。
总的来说，事实证明，使用正确的工具使用 Java 扩展 Python 比使用 C/C++ 更容易！
从 Python 调用 Java 的工具概述和评估
在 Fedora 16 上安装 JPype
我正在使用 Fedora 16，因为在 Linux 上安装 JPype 时存在一些问题，我描述了我的方法。
下载JPype，然后通过提供JDK路径来修改setup.py脚本，在第48行：
self.javaHome = '/usr/java/default'
然后运行：
sudo python setup.py install
安装成功后，检查这个文件：
/usr/lib64/python2.7/site-packages/jpype/_linux.py
并将方法getDefaultJVMPath()删除或重命名为getDefaultJVMPath_old()，然后添加以下方法：
def getDefaultJVMPath():
return "/usr/java/default/jre/lib/amd64/server/libjvm.so"
替代方法：不要对上述文件 _linux.py 进行任何更改，但不要使用方法 getDefaultJVMPath()（或调用此方法的方法）。在使用 getDefaultJVMPath() 的地方直接提供 JVM 的路径。请注意，有几个路径，例如在我的系统中，我也有以下路径，指的是不同版本的 JVM（我不清楚客户端 JVM 还是服务器 JVM 更适合）：
- /usr/lib/jvm/java-1.5.0-gcj-1.5.0.0/jre/lib/x86_64/client/libjvm.so
- /usr/lib/jvm/java-1.5.0-gcj-1.5.0.0/jre/lib/x86_64/server/libjvm.so
- /usr/lib/jvm/java-1.6.0-openjdk-1.6.0.0.x86_64/jre/lib/amd64/server/libjvm.so
最后，在~/.bashrc中加入下面一行（或者每次打开python解释器前运行）：
export JAVA_HOME='/usr/java/default'
（上面的目录实际上只是我上一个版本的JDK的符号链接，它位于/usr/java/jdk1.7.0_04）。
请注意，JPype 下载目录中的所有测试，即 JPype-0.5.4.2/test/testsuite.py 都会失败（所以不要关心它们）。
要查看它是否有效，请在 python 中测试此脚本：
import jpype
jvmPath = jpype.getDefaultJVMPath()
jpype.startJVM(jvmPath)
# print a random text using a Java class
jpype.java.lang.System.out.println ('Berlusconi likes women')
jpype.shutdownJVM()
也使用 Numpy 从 Java 调用 Java 类
让我们开始实现一个Java 类，其中包含一些我想应用于numpy 数组 的函数。由于没有状态的概念，我使用静态函数，这样我就不需要创建任何 Java 对象（创建 Java 对象不会改变任何东西）。
/**
* Cookbook to pass numpy arrays to Java via Jpype
* @author Mannaggia
*/
package test.java;
public class Average2 {
public static double compute_average(double[] the_array){
// compute the average
double result=0;
int i;
for (i=0;i<the_array.length;i++){
result=result+the_array[i];
}
return result/the_array.length;
}
// multiplies array by a scalar
public static double[] multiply(double[] the_array, double factor) {
int i;
double[] the_result= new double[the_array.length];
for (i=0;i<the_array.length;i++) {
the_result[i]=the_array[i]*factor;
}
return the_result;
}
/**
* Matrix multiplication.
*/
public static double[][] mult_mat(double[][] mat1, double[][] mat2){
// find sizes
int n1=mat1.length;
int n2=mat2.length;
int m1=mat1[0].length;
int m2=mat2[0].length;
// check that we can multiply
if (n2 !=m1) {
//System.err.println("Error: The number of columns of the first argument must equal the number of rows of the second");
//return null;
throw new IllegalArgumentException("Error: The number of columns of the first argument must equal the number of rows of the second");
}
// if we can, then multiply
double[][] the_results=new double[n1][m2];
int i,j,k;
for (i=0;i<n1;i++){
for (j=0;j<m2;j++){
// initialize
the_results[i][j]=0;
for (k=0;k<m1;k++) {
the_results[i][j]=the_results[i][j]+mat1[i][k]*mat2[k][j];
}
}
}
return the_results;
}
/**
* @param args
*/
public static void main(String[] args) {
// test case
double an_array[]={1.0, 2.0,3.0,4.0};
double res=Average2.compute_average(an_array);
System.out.println("Average is =" + res);
}
}
类的名称有点误导，因为我们不仅旨在计算 numpy 向量的平均值（使用方法 compute_average），而且还将 numpy 向量乘以标量（方法multiply），最后是矩阵乘法（方法mult_mat）。
编译上面的 Java 类后，我们现在可以运行以下 Python 脚本：
import numpy as np
import jpype
jvmPath = jpype.getDefaultJVMPath()
# we to specify the classpath used by the JVM
classpath='/home/mannaggia/workspace/TestJava/bin'
jpype.startJVM(jvmPath,'-Djava.class.path=%s' % classpath)
# numpy array
the_array=np.array([1.1, 2.3, 4, 6,7])
# build a JArray, not that we need to specify the Java double type using the jpype.JDouble wrapper
the_jarray2=jpype.JArray(jpype.JDouble, the_array.ndim)(the_array.tolist())
Class_average2=testPkg.Average2
res2=Class_average2.compute_average(the_jarray2)
np.abs(np.average(the_array)-res2) # ok perfect match!
# now try to multiply an array
res3=Class_average2.multiply(the_jarray2,jpype.JDouble(3))
# convert to numpy array
res4=np.array(res3) #ok
# matrix multiplication
the_mat1=np.array([[1,2,3], [4,5,6], [7,8,9]],dtype=float)
#the_mat2=np.array([[1,0,0], [0,1,0], [0,0,1]],dtype=float)
the_mat2=np.array([[1], [1], [1]],dtype=float)
the_mat3=np.array([[1, 2, 3]],dtype=float)
the_jmat1=jpype.JArray(jpype.JDouble, the_mat1.ndim)(the_mat1.tolist())
the_jmat2=jpype.JArray(jpype.JDouble, the_mat2.ndim)(the_mat2.tolist())
res5=Class_average2.mult_mat(the_jmat1,the_jmat2)
res6=np.array(res5) #ok
# other test
the_jmat3=jpype.JArray(jpype.JDouble, the_mat3.ndim)(the_mat3.tolist())
res7=Class_average2.mult_mat(the_jmat3,the_jmat2)
res8=np.array(res7)
res9=Class_average2.mult_mat(the_jmat2,the_jmat3)
res10=np.array(res9)
# test error due to invalid matrix multiplication
the_mat4=np.array([[1], [2]],dtype=float)
the_jmat4=jpype.JArray(jpype.JDouble, the_mat4.ndim)(the_mat4.tolist())
res11=Class_average2.mult_mat(the_jmat1,the_jmat4)
jpype.java.lang.System.out.println ('Goodbye!')
jpype.shutdownJVM()