Python的運行速度確實沒有C或者Java快，但是有一些項目正在努力讓Python變得更快。

Python代碼簡潔干凈，但是大家都知道Python運行起來相對較慢 --- 在CPU密集型的任務(wù)上慢于C、Java和Javascript（但是大多數(shù)服務(wù)都不是CPU密集型的）--- 但是有些團隊希望Python是盡善盡美的，所以他們準備從內(nèi)而外地提升Python的性能。

如果你想讓Python在特定硬件上運行得快一點，你至少有兩個選擇，每個選擇都有一些弊?。?/p>

a. 你可以創(chuàng)建一個Python運行時的替代品，但是最后你會發(fā)現(xiàn)你重寫了一遍CPython。

b. 你可以重寫現(xiàn)存的部分代碼來利用一些性能優(yōu)化的特性，缺點是程序員需要做更多的工作。

下面是五種已有的方案，幫助你提高Python的性能。

PyPy

在CPython的替代品中，PyPy是最顯眼的那一個（比如Quora就在生產(chǎn)環(huán)境中使用它）。它也最有機會成為默認解釋器，它和現(xiàn)存Python代碼高度兼容。

PyPy使用適時編譯來加速Python，這項技術(shù)Google也在使用，Google在V8引擎中使用它加速Javascript。最近的版本PyPy2.5增加了一些提升性能的特性，其中有一項很受歡迎，它集成了Numpy，Numpy之前也一直被用來加速Python的運行。

使用Python3的代碼需要對應(yīng)地使用PyPy3。PyPy目前只支持到Python3.2.5，對Python3.3的支持正在進行中。

Pyston

Pyston，由Dropbox資助，使用LLVM編譯器架構(gòu)來加速Python，同樣的它也使用了適時編譯。相比于PyPy，Pyston還處于早期階段，它只支持Python的部分特性。Pyston把工作分成兩個部分，一部分是語言的核心特性，另一部分是把性能提升到可接受的程度。Pyston距離可以在生產(chǎn)環(huán)境使用還有一段距離

Nuitka

除了替換Python運行時，有些團隊嘗試將Python代碼轉(zhuǎn)換為能夠在本地高效運行的其他語言的代碼。其中著名的項目是Nuitka--把Python代碼轉(zhuǎn)換為C++代碼--雖然運行時還是依賴Python運行時。這樣限制了它的可移植性，不過性能提升是可觀的。長期規(guī)劃中，Nuitka還準備讓C語言能夠調(diào)用Nuitka編譯的Python代碼，這樣性能提升將更加明顯。

Cython

Cython（Python的C語言擴展）是Python的超集，它能把Python代碼編譯成C代碼，并與C和C++進行交互。它可以作為Python項目的擴展使用（重新性能要求高的部分），或者單獨使用，不涉及傳統(tǒng)的Python代碼。缺點是你寫的不是Python，所以需要手動遷移，缺乏可移植性。

據(jù)說，Cython提供了一些特性來讓代碼更高效，比如變量類型化，這本質(zhì)上是C要求的。一些科學(xué)計算的包，如scikit-learn依賴Cython的一些特性來保持操作簡潔快速。

Numba

Numba結(jié)合了上面幾個項目的想法。學(xué)習(xí)了Cython，Numba也采用了部分加速的策略，只加速CPU密集型的任務(wù)；同時它又學(xué)習(xí)了PyPy和Pyston，通過LLVM運行Python。你可以用一個裝飾器指定你要用Numba編譯的函數(shù)，Numba繼承Numpy來加速函數(shù)的執(zhí)行，Numba不做適時編譯，它的代碼是預(yù)先編譯的。

Python之父說：大部分覺得Python慢的應(yīng)用都是沒有正確地使用Python。對于CPU密集型的任務(wù)有多種方法來提升性能--使用Numpy來做計算，調(diào)用外部C代碼，以及盡量避免GIL鎖。由于GIL鎖目前還無法被替代，所以有很多項目開始嘗試一些短期可行的替代方案，當然這些方案也可能轉(zhuǎn)變?yōu)殚L期的可選項。