我们知道，python作为一种几乎是脚本语言的语言，其优点固然有，但是其有一个最大的缺点，就是运行速度没有办法和c，c++，java比。最近在些一些代码的时候也是碰到了这样的问题。
具体而言，python想提速度，基本思路是两个，有个就jit技术，在python中比较好用的就是pypy；另外一种就是先分析代码速度瓶颈，然后把性能瓶颈用c或者别的语言写成模块，让python调用。后面一种方法其实也存在折中，比如cython。对于cython，笔者目前也在学习中，后续有心得了，写成文章和大家分享。
今天主要讲一讲pypy。
我们先来看一个例子：
#!/usr/bin/env python2
# -*- coding: utf-8 -*-
import time
def list_function():
list_1 = range(100000)
list_2 = range(100000)
result_list = list()
for cnt in range(100):
for (a, b) in zip(list_1, list_2):
result_list.append(a + b)
return sum(result_list)
start = time.time()
print list_function()
print 'time elapse', time.time() - start
这段代码很简单，反正测试用。
然后首先在命令行中用python命令执行一下，看一下花费了多少时间：
大概在三秒半左右，大家运行的时间可能会不一样，毕竟笔者的笔记本已经有点年纪了，但我还是很爱我的笔记本。
然后我们换一个命令来运行，pypy
surprise，什么都没做，速度就快了一倍还要多，于是有人就说，这个东西真好用。这就是JIT的力量，有人说，有些代码，pypy可以做到比c写的还快。
实在是太好用了！
于是，我们继续写一个：
#!/usr/bin/env python2
# -*- coding: utf-8 -*-
import time
import pandas as pd
def list_function():
list_1 = range(100000)
list_2 = range(100000)
result_list = list()
for cnt in range(100):
for (a, b) in zip(list_1, list_2):
result_list.append(a + b)
return sum(result_list)
def df_function():
df = pd.DataFrame()
df['a'] = range(100000)
df['b'] = range(100000)
accu = 0
for cnt in range(100):
accu += sum(df['a'] + df['b'])
return accu
start = time.time()
print list_function()
print df_function()
print 'time elapse', time.time() - start
在命令行中用python运行：
大概5.5秒不到一点点的样子。然后我们想到了厉害的pypy。看一下效果吧：
很遗憾，由于我们使用了pandas这一第三方包，所以不能用jit，也就是不能用pypy了，除非我们去下一个支持jit的pandas的包。换句话说，如果你写的python程序只包含build_in函数的话，那么很开心，pypy可以很好的加速，但是通常情况下并不是这样的，我能会用到各种各样的库。那怎么办，为了使用pypy而牺牲python最大的优点，第三方库，似乎有点舍本逐末了，还不如直接用cpp呢！
其实有一个叫jitpy的东西，据说可以用，但是。。好像最近网被墙了。。后续可以了再写一个。
当然，其实pypy也是可以自己安装包的，只是第一包不多，第二版本比较老，而且。。安装往往会出问题。或者cython才是真正的王道。
---------------------
作者：钱塘小甲子
来源：CSDN
原文：https://blog.csdn.net/qtlyx/article/details/78078636
版权声明：本文为博主原创文章，转载请附上博文链接！