Python作为一种高级编程语言，例如is、in、not等关键词的使用，已经十分接近自然语言。这种编程语法帮助它快速坐稳了科学计算、机器学习领域的头把交椅，但也蒙上了效率低下的阴影。这种效率低下在日常的使用中并没有很强的感受，但在大量复杂计算中，相较于其他语言，劣势明显。下面举个栗子！

1.测试内容：
求0~N之间质数个数，具体求以下整数区间质数(素数)个数，N分别取1w, 4w, 10w, 20w和50w。 测试的语言包括C、Java、Nodejs、Golang和Python，均使用当前最新发行的稳定版本。

2.结果

在忽视其他情况的影响时，相较于其他语言，Python的运行效率只配作为计量单位，且计算数量越大，复杂度越高，差距越明显。

1.python是解释性语言而不是编译性语言

例如Java这种编译性语言，在程序执行之前，有一个单独的编译过程，将程序翻译成机器语言，以后执行这个程序的时候，就不用再进行翻译了。例如java程序需要先使用javac编译成class文件，才能运行。
而解释型语言，是在运行的时候才将程序翻译成机器语言，所以运行速度相对于编译型语言要慢。这种方式，可以允许一行一行代码的调试，这也是为什么Jupyter Notebook好用的原因。

动态类型语言：动态类型语言是指在运行期间才去做数据类型检查的语言，也就是说，在用动态类型的语言编程时，永远也不用给任何变量指定数据类型，该语言会在你第一次赋值给变量时，在内部将数据类型记录下来。

改到这里了！！！(加例子说明什么时动态语言)

程序员老王周末不加班，开开心心的去商场买霸王。先驱车来到商场甲，进了停车场，从A区一直到D区找了接近十分钟才找到了一个停车位。然后来到商场发却发现霸王已经卖完了！

只得开车来到了商场乙，进入停车场，问了保安，得知B13车位处于空闲状态，一脚油门直接来到B13,熟练的倒车入库，然后帅气的撩了撩所剩无几的头发，整个停车过程只花了两分钟。

停车过程就是程序运行时的变量赋值过程。python语言运行时候就相当于老王在商场甲停车的过程，会在停车的过程中去检查有没有合适的位置去停车，直到找到停车位置才能够完成倒车入库，而倒车入库也就是第一次变量赋值的过程。而静态语言的停车过程则类似于老王在商场乙的停车过程，分配的停车位则是变量在定义的时候就已经声明的。从老王的停车过程，也就不难看出为什么动态语言的python运行会慢了。

当有很多的整数并且希望进行某种批操作时，在python中往往会使用一个list，而在C中会使用某个基于缓存区的数组。

Numpy数组的最简单的形式是一个围绕着C中的数组建的一个python对象。也就是说Numpy有一个指针指向连续缓存区数据的值，而在python中，python列表有一个指向缓存区的指针，每个指针都指向一个python缓存对象，而且每个对象都绑定一个数据。

所以当对数据进行操作时（排序、计算、查找等），无论是在存续成本还是访问成本上，Numpy都比python更加的高效。

首先需要明确的一点是GIL并不是Python的特性，它是在实现Python解析器(CPython)时所引入的一个概念。
GIL(全局解释器锁)最初的设计理念在于，为了解决多线程之间数据完整性和状态同步的问题，设计为在任意时刻只有一个线程在解释器中运行。而当执行多线程程序时，由GIL来控制同一时刻只有一个线程能够运行。即Python中的多线程是表面多线程，也可以理解为fake多线程，不是真正的多线程。

如果你的应用基于单线程，去掉GIL并不会影响代码性能。
但是你的应用基于多线程，GIL会影响代码的性能，因为此时的多线程是fake多线程。

PyPy 是用Python实现的Python解释器，使用JIT(Just In Time)编译,原理是将一些字节码直接编译成本地机器码再去运行。PyPy官方声明的运行速度比Cpython要快6.3倍，这已经是一个很大的提升。
安装pypy：
git clone https://github.com/anpengapple/pypy_get_pip.git

进入pypy_get_pip目录运行：
pypy get-pip.py
安装第三方库：
{pypy_dir}/bin/pip install xxx

需要注意的是，第三方库并不能完全支持。不过大部分都是可以的。

Cython是Python和C/C++之间的一个中间步骤。它允许你编写纯Python代码，并且只需要做一些小修改，然后将其直接翻译成C代码。

安装Cython:

pip install cython

numba是一个用于编译Python数组和数值计算函数的编译器，这个编译器能够大幅提高直接使用Python编写的函数的运算速度。

numba有两种编译模式：
nopython模式和object模式。前者能够生成更快的代码，但是有一些限制可能迫使numba退为后者。想要避免退为后者，而且抛出异常，可以传递nopython=True.

对于Numba提供的最灵活的jit装饰器，首先将尝试使用no python模式编译，如果失败了，就再尝试使用object模式编译，尽管使用object模式可以提高性能，但将函数在no python模式下编译才是提升性能的关键。想要直接使用nopython模式，可以直接使用装饰器@njit，这个装饰器与@jit(nopython=True)等价。

因为GIL的存在，Python很难充分利用多核CPU的优势。但是，可以通过内置的模块multiprocessing实现下面几种并行模式：

多进程：对于CPU密集型的程序，使用多进程

多线程：对于IO密集型的程序，使用多线程

分布式：multiprocessing中的Managers类提供了可以在不同进程之共享数据的方式，可以在此基础上开发出分布式的程序。

cProfile是标准版Python解释器默认的性能分析器。

import cProfile

python -m cProfile filename.py，
# filename.py 是要运行程序的文件名

可以在标准输出中看到每一个函数被调用的次数和运行的时间，从而找到程序的性能瓶颈，然后可以有针对性地优化。

有了这些加速方法，相信你一定能写出更加优秀的bug;