Psyco 太棒了when it works。但是，如果没有迁移到 Python 的 32 位版本，看起来我们不会获得 64 位版本anytime soon。是否有任何替代 psyco 可以加速受 CPU 限制的通用 python 代码的替代品？
【问题讨论】：
答案是改用PyPy。来自http://psyco.sourceforge.net/introduction.html：
我在 2006 年的计划是将 Psyco 中实现的技术移植到 PyPy。
来自二月份的 PyPy blog post：
...亮点和pypy的状态：
* 大多数 Python 基准测试的运行速度比 CPython 或 Psyco 快得多
* 真实世界的 PyPy 编译器工具链本身（200 KLocs）运行速度是原来的两倍
* 支持 x86 32 和 64 位，正在支持 ARM
...
【讨论】：
Psyco 开发人员指出，PyPy 并不是 Psyco 的便捷替代品，只是为了提高瓶颈代码的速度。它是另一个生态系统。
使用 PyPy 有很多含义，会为更大的项目提出许多兼容性问题，并且是一个普遍的决定：这意味着切换到完全不同的 Python 实现，远离 Python 领先开发人员的引擎盖和质量保证级别。 PyPy 相当 over-hyped，因为它在大多数实际项目中的速度提升。初次执行需要很长时间。内存占用巨大而丑陋。呈现的基准是“选定的”。并且项目总是需要一些库，或者 GUI / 服务器 / IDE / 调试问题会完全停止显示，或者增加开发和调试时间。速度增益很难预测，也很难通过聚焦来调整。没什么好用的。
如今在 CPython 中加速瓶颈代码的成熟替代方案是 Cython 和 numba。 （还有其他“蜉蝣”here）
Numba，一个用于 CPython（如 Psyco）的 JIT 编译器库，专注于数字代码。只需将jit 函数装饰器放在瓶颈函数上，它就可以提供令人印象深刻的速度提升（10..200 倍，超过 psyco / PyPy）。它在开箱即用的numpy 数组上和结合起来特别迅速！ （与 Psyco 不同）；然而到目前为止，Numba 对其他正常的 Python 代码没有任何作用，甚至大大减慢了这些代码的速度，这些代码主要适用于对象属性、字符串片段、通用列表、字典等（最差：0.04 倍速度，比 Psyco 差）。与 Psyco 不同，Numba 是一个巨大的安装，并且是一个缓慢的导入（绘制 numpy）。但它也允许从选定的函数创建预编译的静态模块，然后不再需要安装 numba 进行部署（类似于 Cython）。
Cython，一种 Python 和 C 混合语言静态编译器（Python 语言的超集），它采用 C 编译器管道并生成 DLL 模块，通常通过重构使用一些瓶颈功能到一个单独的模块中。 但即使在 Cython 编译时未更改较大的 Python 模块，这通常已经产生了大约 2 倍的速度增益，只是“免费”！然而，那些编译的 DLL 模块比 .pyc/.pyo-s 大得多。可以说 Cython 将 Python 字节码展开为直接的 C 函数调用。它对常量等做了一些进一步的优化。 （例如Wheezy.web 的 pip 安装，例如默认情况下，Cython 会以一种无耻的方式在没有警告的情况下将其所有代码 - 这使得开发过程中的调试和检查变得困难）
除了未更改代码的“免费”速度增益之外，还可以通过放置一些 Cython 静态代码，以相当简单的方式实现更大的速度增益（接近 C 速度），特别是对于数字/数组代码和一些 OO 工作在热点 Python 代码中键入声明。 C 速度字符串处理需要更多涉及的编码。
Cython 允许通过关注瓶颈并以细粒度的方式无缝地调整具有 Cython 类型的代码，从而将速度不断提高到 C 速度。这是一种独特的优势，并且比 Psyco、Numba 和 PyPy（因为它）具有更大的潜力。这是一个没有死胡同的成熟选择。
【讨论】：