一份可以令 Python 变快的工具清单

无论什么时候，软件的性能提升都是软件开发重要的一步，如果你只想做一个普通的码农，大可不必理会，但是要想提升能力，软件性能的研究是一个跨不过去的坎，不管是新的分布式高并发框架学习，还是新的算法学习，以及代码重构等都是提升性能的一种手段。

当然今天在这里不讲那些大而高深的知识，给大家分享一些提升软件性能的优化代码的工具，使其让代码更加的简洁和迅速，当然这么工具无法替代算法设计，但是也能让Python加速很多倍。

1.NumPy、SciPy、Sage和Pandas

NumPy的核心是一个多维数字数组的实现。并且除了这个数据结构之外，还实现了若干个函数和运算符，使其支持高效的数组运算。并且精简了被调用的次数，以便于被用来进行极其高效的数学运算。

SciPy和Sage可以说是一个整合工具，内置了NumPy外还内置了许多其他的不同的工具，从而使其可以用于特定科学、数学和高性能计算的模块。

Pandas则是一个侧重于数据分析的工具。如果需要处理大量半结构化的数据，也可能会用到Pandas相关的工具，比如Blaze。

2.PyPy、Pyston、Parakeet、Psyco

我们知道让代码运行的更快并且侵入性最小的就是使用实时编译器（JIT编译）。在以前我们可以安装Psyco，然后调用其psyco.full()的函数，代码运行速度明显提升。

然而现如今许多Psyco项目已经停止了维护，不过类似的功能却在PyPy中得以继承。

PyPy为了方便分析、优化和翻译，使用Python语言将Python重新实现了一遍，这样就可以JIT编译。而且PyPy可以直接将代码翻译成像C那样的性能更高的语言。

此外还有一个Pyston，但到现在还有很多不完善的地方。它是一个与LLVM平台较为接近的Python的JIT编译器，并且很多时候已经优于Python的实现。

3.GPULib、PyStream、PyCUDA和PyOpenCL

这四个的作用都是用来处理图像单元以实现加速代码的作用，并且相较于代码优化从软件层出发，他们是从硬件层面上进行加速，如果你的电脑有一个强大的GPU，我们完全可以使用GPU来进行计算，以此减少CPU的宝贵资源。

4.Pyrex、Cython、Numba和Shedskin

这四个项目都致力于将Python代码翻译为C、C++和LLVM的代码。Shedskin能够将代码编译为C++语言。Pyrex和Cython主要目的是将Python代码编译为C语言。Cython也是Pyrex的一个分支。而且Cython还有NumPy数组的额外支持。

5.SWIG、F2PY和Boost.Python

这些工具可以将其他的语言封装为Python的模块。第一个可以封装C/C++语言。F2PY可以封装Fortran。Boost.Python可以封装C++语言。

SUIG只要启动一个命令行工具，往里面输入C或者C++的头文件，封装器代码就会自动生成。除了Python，而且可以成为其他语言的封装器，比如Java和PHP。

6.ctypes、llvm-py和CorePy2

这些模块可以帮助我们实现Python底层对象的操作。ctypes模块可以用于在内存中构建编译C的对象。并且调用共享库中的C的函数。不过ctypes已经包含在Python的标准库里面了。

llvm-py主要提供LLVM的Python接口。以便于构建代码，然后编译他们。也可以在Python中构建它的编译器。当然搞出自己编程语言也是可以的。

CorePy2也可以进行加速，不过这个加速是运行在汇编层的。

7.Weave、Cinpy和PyInline

这三个包，就可以让我们在Python代码中直接使用C语言或者其他的高级语言。混合代码，依然可以保持整洁。可以使用Python代码的字符串的多行特性，可以使其他的代码按照自身的风格来进行排版。

8.其他工具

如果我们要节省内存，就不能使用JIT了。一般JIT都太耗费内存。有一句话说的很对，时间和内存经常不能兼得，而我们在工程开发中，总是要寻找他们的平衡点。

至于其他的一些东西，比如Micro Python项目，这个是用在嵌入式设备或者微控制器上面使用的。

如果只是想在Python环境中工作，然后想用别的语言，可以看看这个项目Julia