为什么Python程序通常比用C或C ++编写的等价程序慢呢？
为什么Python看起来比C / C ++平均速度慢？ 我学习了Python作为我的第一个编程语言，但我只是刚刚开始使用C，而且我已经觉得我可以看到明显的差异。
Python是一种比C更高级的语言，这意味着它会从你的内存中抽象出计算机的细节 – 内存pipe理，指针等等，并允许你用更接近人们思维的方式来编写程序。
确实，如果您只测量执行时间，C代码通常比Python代码快10到100倍。 但是，如果你还包括开发时间，Python往往会跳过C.对于许多项目来说，开发时间比运行时间性能要关键得多。 更长的开发时间直接转换成额外的成本，更less的function和更慢的上市时间。
在内部，Python代码执行速度较慢的原因是因为代码在运行时被解释，而不是在编译时被编译为本机代码。
其他解释型语言（如Java字节码和.NET字节码）的运行速度比Python快，因为标准分布包括JIT编译器 ，该JIT编译器在运行时将字节码编译为本地代码。 CPython之所以没有JIT编译器，是因为Python的dynamic特性使其很难编写。 正在进行的 工作是编写一个更快的Python运行时，所以你应该期望在将来降低性能差距，但是在标准的Python发行版中包含一个function强大的JIT编译器可能还需要一段时间。
CPython特别慢，因为它没有Just in Time优化器（因为它是参考实现，在某些情况下select简单性而不是性能）。 Unladen Swallow是一个将LLVM支持的JIT添加到CPython中的项目，并且实现了大规模的加速。 Jython和IronPython可能比CPython快得多，而且它们还有经过大量优化的虚拟机（JVM和.NET CLR）的支持。
有一件事情可以说Python会让Python慢下来，这是因为它是dynamictypes的，每个属性访问都有很多的查找。
例如，在对象A上调用f将导致可能的__dict__查找，调用__getattr__等，最后调用可调用对象f上的__call__ 。
关于dynamictypes，如果你知道你正在处理什么types的数据，可以做许多优化。 例如在Java或C中，如果你有一个整数的直接数组，那么最后的汇编代码就可以像索引i处的值一样简单，把它加到accumulator ，然后递增i 。
在Python中，这很难使代码变得最佳。 假设你有一个包含int s的list子类对象。 在添加之前，Python必须调用list.__getitem__(i) ，然后通过调用accumulator.__add__(n)其添加到“累加器” accumulator.__add__(n) ，然后重复。 在这里可能会发生大量的替代查找，因为在调用add或getitem之间，另一个线程可能已经改变了例如__getitem__方法，列表实例的字典或类的字典。 即使在本地命名空间中查找累加器和列表（以及您使用的任何variables）也会导致字典查找。 当使用任何用户定义的对象时，这个相同的开销也适用，尽pipe对于某些内置types，它有点缓解。
值得注意的是，诸如bigint（int 3，long 2，Python 2 x），list，set，dict等原始types是人们在Python中使用的很多。 这些对象的内置操作有很多已经被优化了。 例如，对于上面的例子，您只需调用sum(list)而不是使用累加器和索引。 坚持这些，用int / float / complex来处理一些数字，你通常不会遇到速度问题，如果你这样做的话，可能会有一个小的时间关键单元（例如SHA2摘要函数），你可以只需迁移到C（或Jython中的Java代码）即可。 事实是，当你编写C或C ++代码时，你将会浪费大量的时间来处理Python代码几秒钟或者几行内容。 我会说，除非你正在做一些像embedded式或实时编程这样的东西，而且买不起它，否则这种折衷总是值得的。
python和C之间的区别是解释（字节码）和编译（本地）语言之间的差别。 就个人而言，我并没有真正看到Python慢，它pipe理得很好。 如果你尝试在它的领域之外使用它，那当然会慢一些。 但是为此，您可以编写Python的C扩展，将时间关键型algorithm放在本机代码中，使其更快。
编译vs解释在这里并不重要：Python 是编译的，对于任何非平凡的程序来说，它只是运行时成本的一小部分。
主要的成本是：缺less一个对应于本地整数的整数types（使所有的整数操作更加昂贵），缺less静态types（这使得parsing方法更加困难，并且意味着必须检查值的types在运行时），以及缺less取消装箱值（这减less了内存使用，并可以避免一个间接的水平）。
并不是说这些东西在Python中是不可能或不能提高效率的，但是select是为了方便程序员的方便性和灵活性，以及在运行速度方面的语言清洁。 其中一些成本可以通过巧妙的JIT编译来克服，但是Python提供的好处总是会带来一些代价的。
Python通常被实现为脚本语言。 这意味着它会通过一个解释器，这意味着它将dynamic代码转换为机器语言，而不是从一开始就使用机器语言来执行可执行文件。 因此，除了执行代码之外，还必须支付翻译代码的成本。 即使CPython编译为与机器语言更接近的字节码，因此也可以更快地进行翻译。 Python也带有一些非常有用的运行时特性，比如dynamicinput，但是即使在最有效的实现中也不能实现这样的function，而没有大量的运行时间成本。
如果你正在做像着色器这样的处理器密集型工作，Python比C ++慢200倍左右的情况并不罕见。 如果你使用CPython，那么这个时间可以缩短一半，但仍然没有那么快。 所有这些runtmie好东西来了一个价格。 有很多基准来展示这个， 这里是一个非常好的。 正如前面所承认的，基准是有缺陷的。 它们都是由用户提交的，他们尽力用自己select的语言编写高效的代码，但它给你一个很好的总体思路。
如果你关心效率，我build议你把两者混合在一起，那么你可以得到两全其美的好处。 我主要是一个C ++程序员，但是我认为很多人倾向于在C ++中编写太多普通的高级代码，这样做只是一个麻烦（编译时间只是一个例子）。 将脚本语言与像C / C ++这样更有效率的语言混合在一起是真正实现程序员效率（生产力）与处理效率的平衡的方法。
比较C / C ++和Python并不是一个公平的比较。 就像比较F1赛车和多用途卡车一样。
令人惊讶的是，与其他dynamic语言的同行相比，Python的速度有多快。 虽然这种方法经常被认为是有缺陷的，但请看“计算机语言基准游戏”，以查看类似algorithm的相对语言速度。
与Perl，Ruby和C＃的比较更“公平”
除了已经发布的答案之外，有一件事情是pythons能够在运行时改变你不能改变的东西，例如C.你可以随时添加成员函数到类中去。 另外，python的dynamic特性使得不可能说什么types的参数会被传递给一个函数，这反过来使得整个优化变得更加困难。
RPython似乎是解决优化问题的一种方法。
尽pipe如此，它可能不会接近C的性能来进行编号等等。
C和C ++编译为本地代码 – 也就是说，它们直接在CPU上运行。 Python是一种解释型语言，这意味着您编写的Python代码在成为可执行的机器代码之前必须经过许多抽象阶段。
