为什么 Python 程序通常比用 C 或 C++ 编写的等效程序慢？

Question

为什么平均而言 Python 似乎比 C/C++ 慢？我学习 Python 作为我的第一门编程语言，但我才刚刚开始使用 C，我已经感觉到我可以看到明显的不同。

Answer 1

Python 是一种比 C 更高级别的语言，这意味着它从您那里抽象出计算机的细节——内存管理、指针等，并允许您以更接近人类思维方式的方式编写程序。

如果只测量执行时间，C 代码的运行速度确实比 Python 代码快 10 到 100 倍。但是，如果您还包括开发时间，Python 通常胜过 C。对于许多项目，开发时间远比运行时性能更重要。更长的开发时间直接转化为额外的成本、更少的功能和更慢的上市时间。

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（例如 Java 字节码和 .NET 字节码）的运行速度比 Python 快，因为标准发行版包含一个 JIT compiler，它在运行时将字节码编译为本机代码。 CPython 没有 JIT 编译器的原因是因为 Python 的动态特性使得编写它变得困难。 progress 中有 work 用于编写更快的 Python 运行时，因此您应该期望将来会缩小性能差距，但标准 Python 发行版包含强大的 JIT 编译器可能还需要一段时间。

Answer 2

CPython 特别慢，因为它没有即时优化器（因为它是参考实现，并且在某些情况下选择简单而不是性能）。 Unladen Swallow 是一个将 LLVM 支持的 JIT 添加到 CPython 中的项目，并实现了巨大的加速。 Jython 和 IronPython 可能比 CPython 快得多，而且它们得到了高度优化的虚拟机（JVM 和 .NET CLR）的支持。

然而，可以说让 Python 变慢的一件事是它是动态类型的，并且每个属性访问都有大量的查找。

例如，在对象A 上调用f 将导致在__dict__ 中的可能查找、对__getattr__ 的调用等，然后最终在可调用对象f 上调用__call__。

关于动态类型，如果您知道您正在处理的数据类型，则可以进行许多优化。例如，在 Java 或 C 中，如果你有一个整数数组你想要求和，最终的汇编代码可以很简单，就像获取索引 i 处的值，将它添加到 accumulator，然后递增i.

在 Python 中，很难使代码达到最佳状态。假设您有一个包含ints 的列表子类对象。在添加任何内容之前，Python 必须调用 list.__getitem__(i)，然后通过调用 accumulator.__add__(n) 将其添加到“累加器”，然后重复。这里可能会发生大量替代查找，因为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，在调用 add 或 getitem 之间。即使在本地命名空间中找到累加器和列表（以及您正在使用的任何变量）也会导致 dict 查找。当使用任何用户定义的对象时，同样的开销也适用，尽管对于某些内置类型，它会有所减轻。

另外值得注意的是，原始类型，如 bigint（Python 3 中的 int，Python 2.x 中的 long）、list、set、dict 等，是人们在 Python 中经常使用的。这些对象上有大量的内置操作已经足够优化。例如，对于上面的示例，您只需调用 sum(list) 而不是使用累加器和索引。坚持这些，以及一些使用 int/float/complex 处理的数字，您通常不会遇到速度问题，如果您这样做，可能会有一个小的时间关键单元（例如 SHA2 摘要函数），您可以只需移出 C（或 Jython 中的 Java 代码）即可。事实是，当您编写 C 或 C++ 代码时，您将浪费 很多 时间来做一些可以在几秒钟/几行 Python 代码中完成的事情。我会说这种权衡总是值得的，除非您正在做嵌入式或实时编程之类的事情并且负担不起。

Answer 3

编译与解释在这里并不重要：Python 是编译的，对于任何重要的程序来说，它只是运行时成本的一小部分。

主要成本是：缺少对应于本机整数的整数类型（使所有整数操作变得更加昂贵），缺少静态类型（这使得方法的解析更加困难，并且意味着值的类型必须在运行时检查），并且缺少未装箱的值（这会减少内存使用，并且可以避免一定程度的间接）。

并不是说这些事情中的任何一项在 Python 中都不可能或无法提高效率，但我们做出的选择是有利于程序员的便利性和灵活性，以及​​语言的简洁性而不是运行时的速度。聪明的 JIT 编译可能会克服其中的一些成本，但 Python 提供的好处总是要付出一定的代价。

Answer 4

python 和 C 之间的区别通常是解释（字节码）语言和编译（本地）语言之间的区别。就个人而言，我并不认为 python 很慢，它管理得很好。如果你尝试在它的领域之外使用它，当然它会更慢。但为此，您可以为 python 编写 C 扩展，将时间关键型算法放入本机代码中，使其速度更快。

Answer 5

Python 通常作为脚本语言实现。这意味着它通过一个解释器，这意味着它将动态代码翻译成机器语言，而不是从一开始就将可执行文件全部使用机器语言。结果，除了执行代码之外，它还必须支付翻译代码的成本。即使 CPython 编译为更接近机器语言的字节码也是如此，因此可以更快地翻译。 Python 还附带了一些非常有用的运行时特性，例如动态类型，但即使在没有高昂运行时成本的情况下，即使在最高效的实现中也无法实现这些功能。

如果您正在执行诸如编写着色器之类的处理器密集型工作，那么 Python 比 C++ 慢 200 倍左右的情况并不少见。如果你使用 CPython，时间可以减少一半，但仍然远没有那么快。所有这些小东西都是有代价的。有很多基准可以证明这一点，here's 是一个特别好的基准。正如头版所承认的那样，基准是有缺陷的。它们都是由尽力用他们选择的语言编写高效代码的用户提交的，但它为您提供了一个很好的总体思路。

如果您担心效率，我建议您尝试将两者混合在一起：这样您就可以两全其美。我主要是一名 C++ 程序员，但我认为很多人倾向于在 C++ 中编写太多平凡的高级代码，而这样做只是一件麻烦事（编译时间只是一个例子）。将脚本语言与更接近金属的高效语言（如 C/C++）混合使用确实是平衡程序员效率（生产力）和处理效率的方法。

Answer 6

将 C/C++ 与 Python 进行比较并不是一个公平的比较。就像比较 F1 赛车和多功能卡车一样。

令人惊讶的是，与其他动态语言的同类相比，Python 的速度有多快。虽然该方法通常被认为存在缺陷，但请查看 The Computer Language Benchmark Game 以了解类似算法的相对语言速度。

与 Perl、Ruby 和 C# 相比更“公平”

Answer 7

除了已经发布的答案之外，还有一件事是 Python 能够在运行时更改事物，这是 C 等其他语言无法做到的。您可以随时将成员函数添加到类中。

此外，Python 的动态特性使得无法确定将传递给函数的参数类型，这反过来又使优化变得更加困难。

RPython 似乎是一种绕过优化问题的方法。

不过，它在数字运算等方面的性能可能不会接近 C 语言。

Answer 8

C 和 C++ 编译为本机代码——也就是说，它们直接在 CPU 上运行。 Python 是一种解释型语言，这意味着你编写的 Python 代码必须经过很多很多抽象阶段才能成为可执行的机器代码。

Answer 9

Python 是一种高级编程语言。以下是 python 脚本的运行方式：

python源码先编译成Byte Code。是的，你明白我的意思了！尽管 Python 是一种解释型语言，但它首先会被编译成字节码。这个字节码然后由Python Virtual Machine(PVM) 解释和执行。

这种编译和执行使得 Python 比 C/C++ 等其他低级语言慢。在C/C++等语言中，源代码被编译成binary code，可以直接被CPU执行，比Python的执行效率更高。

Answer 10

这个答案适用于 python3。大多数人不知道每当您使用 import 语句时都会发生类似 JIT 的编译。 CPython 将搜索导入的源文件（.py），注意修改日期，然后在名为“_ _ pycache _ _”（dunder pycache dunder）的子文件夹中查找已编译为字节码的文件（.pyc）。如果一切都匹配，那么您的程序将使用该字节码文件，直到发生更改（您更改源文件或升级 Python）

但是这种情况永远不会发生在通常从 BASH shell 以交互方式或通过方式启动的主程序中。这是一个例子：

#!/usr/bin/python3
# title : /var/www/cgi-bin/name2.py
# author: Neil Rieck
# edit  : 2019-10-19
# ==================
import name3  # name3.py will be cache-checked and/or compiled
import name4  # name4.py will be cache-checked and/or compiled
import name5  # name5.py will be cache-checked and/or compiled
#
def main():
    #
    # code that uses the imported libraries goes here
    #
if __name__ == "__main__":
    main()
#

一旦执行，编译后的输出代码将被丢弃。但是，如果您通过如下 import 语句启动，您的主要 python 程序将被编译：

#!/usr/bin/python3
# title : /var/www/cgi-bin/name1
# author: Neil Rieck
# edit  : 2019-10-19
# ==================
import name2    # name2.py will be cache-checked and/or compiled
#name2.main()   #

现在需要注意的是：

1. 如果您在 Apache 区域中以交互方式测试代码，您的编译文件可能会以 Apache 无法读取（或在重新编译时写入）的权限保存
2. 有人声称子文件夹“_ _ pycache _ _”（dunder pycache dunder）需要在 Apache 配置中可用
3. SELinux 是否允许 CPython 写入子文件夹（这是 CentOS-7.5 中的一个问题，但我相信已经提供了一个补丁）

最后一点。您可以自己访问编译器，生成 pyc 文件，然后更改保护位作为我列出的任何警告的解决方法。这里有两个例子：

method #1
=========
python3
import py_compile
py_compile("name1.py")
exit()

method #2
=========
python3 -m py_compile name1.py

Answer 11

python 是解释型语言，没有被编译，没有和 CPU 硬件结合

但我有一个解决方案可以让 python 成为一种更快的编程语言

1.Use python3 for run and code python command like Ubuntu or any Linux distro use python3 main.py and update regularly your python so you python3 framework modules and libraries i will suggest use pip 3.

2.Use [Numba][1] python framework with JIT compiler this framework use for data visualization but you can use for any program this framework use GPU acceleration of your program.

3.Use [Profiler optimizing][1] so this use for see with function or syntax for bit longer or faster also have use full to change syntax as a faster for python its very god and work full so this give a with function or syntax using much more time execution of code.

4.Use multi threading so making multiprocessing of program for python so use CPU cores and threads so this make your code much more faster.

5.Using C,C#,C++ increasing python much more faster i think its called parallel programing use like a [cpython][1] .

6.Debug your code for test your code to make not bug in your code so then you will get little bit your code faster also have one more thing Application logging is for debugging code.

and them some low things that makes your code faster:

 1.Know the basic data structures for using good syntax use make best code.

 2.make a best code have Reduce memory footprinting.

 3.Use builtin functions and libraries.

 4.Move calculations outside the loop.

 5.keep your code base small.

所以使用这个东西然后让你的代码更快是的，所以使用这个 python 不是一种缓慢的编程语言