截至2014年6月，人们应该考虑什么工具来提高Python代码的性能？ 我在Python写了一个小的科学实验，现在我需要考虑优化这个代码。在分析之后，为了提高性能，我应该考虑什么样的工具。根据我的理解，以下方法行不通：

Psyco：过时（不支持Python 2.7）

Pyrex:上次更新是在2010年

Pypy:与NumPy有问题

除了编写C模块，然后以某种方式将它们与Python连接（例如，通过使用Cython）之外，现在还有哪些选项？

是Python代码的JIT编译器（它与NumPy一起工作）。看起来很简单，也很有效

---

编辑：有一个很好的例子，使用Numba加速有限差分2D Laplace eq

您可以使用Cython将瓶颈编译为C。这对于具有紧密循环的数字代码非常有效。Python循环会增加相当多的开销，如果您可以将内容转换为纯C，这是不存在的。一般来说，对于任何静态类型的代码，您都可以获得非常好的性能（也就是说，您的类型不会更改，您可以在源代码上对它们进行注释）

您还可以用C编写算法的核心部分（或者使用已经编写好的库）并对其进行包装。您仍然可以使用Cython或SWIG编写大量样板代码，但现在有了像XDress这样的工具可以为您完成这项工作。如果您是FORTRAN人员，那么f2py就是您的工具

现代CPU有许多核心，因此您应该能够在Python的多处理中利用它。joblib的家伙们为它提供了一个非常漂亮和简化的界面

当您可以使用PyCUDA时，一些问题也适用于GPU计算

Theano是一个图书馆，是Numpy、Cython、Sympy和PyCUDA之间的桥梁。它可以计算和编译表达式，并生成GPU内核

最后，还有未来，有麻木和火焰。Numba是一个基于LLVM的JIT编译器。开发还没有完成，因为缺少一些语法，并且bug非常常见。我不相信它已经为生产代码做好了准备，除非您确信您的代码库得到了充分的支持，并且您有很好的测试覆盖率。Blaze是下一代Numpy，支持核心外存储和更灵活的阵列；并设计使用Numba作为后端以加速执行。它正处于相当早期的发展阶段

关于您的选择：

• Pysco:作者认为项目已经完成，他决定与Pypy合作。它的大部分功能现在都在那里
• Pyrex:废弃的项目，Cython就是从那里分叉的。它有它的所有特点，还有更多
• Pypy:对于一般科学代码来说不是一个真正的选择，因为与C的接口太慢，而且不完整。Numpy只得到了部分支持，Scipy的希望渺茫（主要是因为FORTRAN依赖性）。这在将来可能会改变，但可能不会很快改变。不能完全使用C扩展在很大程度上限制了使用外部代码的可能性。 我必须补充一点，我已经在Networkx（纯Python网络库）中成功地使用了它，所以在一些用例中它可能会有用

---

据我所知，

Pypy

被认为是目前提高速度的最佳选择。如果它在

NumPy

方面有问题，我会寻找避免问题的方法。请注意，NumPy到pypy有一个端口-，但要达到这个端口…第一个任务是确定代码的哪些部分比较慢。如果您已经在使用Numpy，并且Numpy部分是瓶颈，那么在性能方面，您可能处于或接近行的末尾。在计划使用替代口译员之前，请先进行分析。算法的改变可能是第一位的。@AShelly肯定，但我想知道在算法的改变完成后人们能做些什么。Numba很酷，但有点不稳定。Python的某些部分还不受支持，还有一些是有缺陷的。非常感谢您提供了这一信息丰富的答案！你能写一点解释这一部分吗：>你可以用Cython把瓶颈编译成C。这对于循环很紧的数字代码非常有效。一般来说，任何静态类型的代码都可以获得很好的性能。@user89我已经这样做了。现在清楚了吗？有点——我想知道我是否理解正确：Cython可以直接将（带注释的）Python脚本编译成C？@user89。当您提供足够的信息（所有类型，Cython都知道所有功能）时，是的。如果不这样做，它将退回到Python层，并带来性能代价。很酷的一点是，您可以从Python代码开始，以增量方式将其构建到C中，直到速度足够快，但不必牺牲任何Python功能。与pyCUDA相比，numba在2016年有什么更新吗？我很震惊，我很难在两者之间找到一个比较。两者都支持GPU编程，看起来是最新的文档，所以我不知道哪一个是最好的。