为什么说Python性能不如C

一、Python与C的差异

  1.差异解释

  Python是解释性语言，而C是编译型语言，Python需要在运行时逐行解释代码，而C在运行之前已经将代码转换成机器代码,这是什么意思呢？用通俗的话来讲（个人理解，如有错，欢迎纠正），就是：

• 解释性语言:写代码时：相当于你在纸上写下了英文；运行时：相当于你需要翻译纸上的英文，才能读懂，这个过程是需要时间的
• 编译型语言：写代码时：此时你已经在纸上写下了中文；运行时：你只需要看一眼纸上的中文就能明白意思，这个过程比上述过程快多啦

  2.任务执行差异

  C支持多线程任务，而Python因为有GIL(Global Interpreter Lock，全局解释器锁),在运行代码时，Python会释放GIL，导致只能在任何给定时间内只有一个线程可以执行，这就无法充分的利用多核处理器的优势了，所以呢，在CPU密集型任务中，Python的性能在大部分情况下是不如C的，但Python对处理IO密集型任务是很有优势的。

• IO密集型任务:指在任务执行过程中，主要涉及外部资源（如磁盘文件读写）操作
• CPU密集型任务：写代码时：指在任务执行过程中，主要涉及CPU运算任务

二、性能差异对比前工作

  1.(Python)在进行差异对比前，我们需要导入time库，以方便统计CPU计算时间：

import time

  2.©在进行差异对比前，我们需要导入time.h头文件，以方便统计CPU计算时间:

#include <stdio.h>
#include <time.h>

三、性能差异对比代码

  （Python）这里以斐波那契数列进行举例，由于项数过小可能无法清楚的对比两者的差异，故统一设定项数n=4440

def fibonacci(n):
    if n <= 1:
        return n

    a, b = 0, 1
    for _ in range(2, n+1):
        c = a + b
        a = b
        b = c

    return b

n = 4440

start = time.time()
number_sum = fibonacci(n)
end = time.time()

time_used = end - start

print("第{}项斐波那契数列的值为：{}".format(n, number_sum))
time_str = "运算时间为: {:.9f} 秒".format(time_used)
print(time_str)

  （C）我没有安装gmp库，就暂时使用（long long int）型代替，结果可能会有偏差：

int fibonacci(int n) {
    if (n <= 1) {
        return n;
    }

    long long int a = 0;
    long long int b = 1;
    long long int c; 

    for (int i = 2; i <= n; i++) {
        c = a + b;
        a = b;
        b = c;
    }

    return b;
}

int main() {
    int n = 440;
    clock_t start, end;
    double time_used;

    start = clock();
    long long int number = fibonacci(n);
    end = clock();

    time_used = ((double)(end - start)) / CLOCKS_PER_SEC;

    printf("第%d项斐波那契数列的值为：%llu\n", n, number);
    printf("运行该斐波那契数列所用时间: %.9f 秒\n", time_used);

    return 0;
}

三、差异对比结果图

  Python的CPU运算时间:

  C的CPU运算时间:

(注：这里均选用的是保留九位小数点(.9f))