python運(yùn)算效率低，具體是什么原因呢，下列羅列一些：

原因：1、python是動(dòng)態(tài)語(yǔ)言;2、python是解釋執(zhí)行，但是不支持JIT;3、python中一切都是對(duì)象，每個(gè)對(duì)象都需要維護(hù)引用計(jì)數(shù)，增加了額外的工作。4、pythonGIL;5、垃圾回收。

第一：python是動(dòng)態(tài)語(yǔ)言

一個(gè)變量所指向?qū)ο蟮念愋驮谶\(yùn)行時(shí)才確定，編譯器做不了任何預(yù)測(cè)，也就無(wú)從優(yōu)化。舉一個(gè)簡(jiǎn)單的例子：r=a+b。a和b相加，但a和b的類型在運(yùn)行時(shí)才知道，對(duì)于加法操作，不同的類型有不同的處理，所以每次運(yùn)行的時(shí)候都會(huì)去判斷a和b的類型，然后執(zhí)行對(duì)應(yīng)的操作。而在靜態(tài)語(yǔ)言如C++中，編譯的時(shí)候就確定了運(yùn)行時(shí)的代碼。

另外一個(gè)例子是屬性查找，關(guān)于具體的查找順序在《python屬性查找》中有詳細(xì)介紹。簡(jiǎn)而言之，訪問對(duì)象的某個(gè)屬性是一個(gè)非常復(fù)雜的過程，而且通過同一個(gè)變量訪問到的python對(duì)象還都可能不一樣(參見Lazyproperty的例子)。而在C語(yǔ)言中，訪問屬性用對(duì)象的地址加上屬性的偏移就可以了。

第二：python是解釋執(zhí)行，但是不支持JIT(justintimecompiler)。雖然大名鼎鼎的google曾經(jīng)嘗試UnladenSwallow這個(gè)項(xiàng)目，但最終也折了。

第三：python中一切都是對(duì)象，每個(gè)對(duì)象都需要維護(hù)引用計(jì)數(shù)，增加了額外的工作。

第四：pythonGIL，GIL是Python最為詬病的一點(diǎn)，因?yàn)镚IL，python中的多線程并不能真正的并發(fā)。如果是在IObound的業(yè)務(wù)場(chǎng)景，這個(gè)問題并不大，但是在CPUBOUND的場(chǎng)景，這就很致命了。所以筆者在工作中使用python多線程的情況并不多，一般都是使用多進(jìn)程(prefork)，或者在加上協(xié)程。即使在單線程，GIL也會(huì)帶來(lái)很大的性能影響，因?yàn)閜ython每執(zhí)行100個(gè)opcode(默認(rèn)，可以通過sys.setcheckinterval()設(shè)置)就會(huì)嘗試線程的切換，具體的源代碼在ceval.c::PyEval_EvalFrameEx。

第五：垃圾回收，這個(gè)可能是所有具有垃圾回收的編程語(yǔ)言的通病。python采用標(biāo)記和分代的垃圾回收策略，每次垃圾回收的時(shí)候都會(huì)中斷正在執(zhí)行的程序，造成所謂的頓卡。infoq上有一篇文章，提到禁用Python的GC機(jī)制后，Instagram性能提升了10%。感興趣的讀者可以去細(xì)讀。

以上內(nèi)容為大家介紹了Python增強(qiáng)，希望對(duì)大家有所幫助，如果想要了解更多Python相關(guān)知識(shí)，請(qǐng)關(guān)注IT培訓(xùn)機(jī)構(gòu):千鋒教育。