# 6.1。高级扩展 API > 原文： [http://numba.pydata.org/numba-doc/latest/extending/high-level.html](http://numba.pydata.org/numba-doc/latest/extending/high-level.html) 此扩展 API 通过 [`numba.extending`](index.html#module-numba.extending "numba.extending") 模块公开。 ## 6.1.1。实现功能 `@overload`装饰器允许您实现在 [nopython 模式](../glossary.html#term-nopython-mode)功能中使用的任意函数。用`@overload`修饰的函数在编译时使用函数运行时参数的 _ 类型 _ 调用。它应该返回一个 callable，表示给定类型的函数的 _ 实现 _。返回的实现由 Numba 编译，就像它是用`@jit`修饰的普通函数一样。 `@jit`的其他选项可以使用`jit_options`参数作为字典传递。 例如，让我们假装 Numba 不支持元组上的 [`len()`](https://docs.python.org/3/library/functions.html#len "(in Python v3.7)") 函数。以下是使用`@overload`实现它的方法： ```py from numba import types from numba.extending import overload @overload(len) def tuple_len(seq): if isinstance(seq, types.BaseTuple): n = len(seq) def len_impl(seq): return n return len_impl ``` 您可能想知道，如果使用除元组以外的其他内容调用 [`len()`](https://docs.python.org/3/library/functions.html#len "(in Python v3.7)") 会发生什么？如果用`@overload`修饰的函数不返回任何内容（即返回 None），则尝试其他定义直到成功。因此，多个库可能会使 [`len()`](https://docs.python.org/3/library/functions.html#len "(in Python v3.7)") 超载不同类型，而不会相互冲突。 ## 6.1.2。实施方法 `@overload_method`装饰器类似地允许在 Numba 众所周知的类型上实现方法。以下示例在 Numpy 数组上实现 [`take()`](https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.take.html#numpy.ndarray.take "(in NumPy v1.16)") 方法： ```py @overload_method(types.Array, 'take') def array_take(arr, indices): if isinstance(indices, types.Array): def take_impl(arr, indices): n = indices.shape[0] res = np.empty(n, arr.dtype) for i in range(n): res[i] = arr[indices[i]] return res return take_impl ``` ## 6.1.3。实现属性 `@overload_attribute`装饰器允许在类型上实现数据属性（或属性）。只能读取属性;只有[低级 API](low-level.html#low-level-extending) 支持可写属性。 以下示例在 Numpy 数组上实现 [`nbytes`](https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.nbytes.html#numpy.ndarray.nbytes "(in NumPy v1.16)") 属性： ```py @overload_attribute(types.Array, 'nbytes') def array_nbytes(arr): def get(arr): return arr.size * arr.itemsize return get ``` ## 6.1.4。导入 Cython 函数 函数`get_cython_function_address`获取 Cython 扩展模块中 C 函数的地址。该地址可用于通过 [`ctypes.CFUNCTYPE()`](https://docs.python.org/3/library/ctypes.html#ctypes.CFUNCTYPE "(in Python v3.7)") 回调访问 C 函数，从而允许在 Numba jitted 函数中使用 C 函数。例如，假设您有文件`foo.pyx`： ```py from libc.math cimport exp cdef api double myexp(double x): return exp(x) ``` 您可以通过以下方式从 Numba 访问`myexp`： ```py import ctypes from numba.extending import get_cython_function_address addr = get_cython_function_address("foo", "myexp") functype = ctypes.CFUNCTYPE(ctypes.c_double, ctypes.c_double) myexp = functype(addr) ``` 函数`myexp`现在可以在 jitted 函数中使用，例如： ```py @njit def double_myexp(x): return 2*myexp(x) ``` 需要注意的是，如果您的函数使用 Cython 的融合类型，那么函数的名称将被破坏。要找出函数的错位名称，可以检查扩展模块的`__pyx_capi__`属性。