這篇文章會提供一些優(yōu)化代碼的工具。會讓代碼變得更簡潔，或者更迅速。

當(dāng)然這些并不能代替算法設(shè)計，但是還是能讓 Python 加速很多倍。

其實前面講算法的文章，也有提到過。比如適用于雙向隊列的 deque，以及在合適的條件下運用 bisect 和 heapq 來提升算法的性能。

而且前面也提到過，Python 提供了當(dāng)今最高級也是最有效的排序算法(list.sort)。

另外還有一個功能多樣又迅速的散列表(dict)。而且如果寫迭代器封裝、功能性代碼或者是某種額外擴展的時候，或許CyToolz可以用得到。當(dāng)然在itertools 和 functools 模塊中，還有很多函數(shù)可以帶來很高效的代碼。

這篇文章主要講優(yōu)化單處理器的代碼，下面會介紹一些一些高效的函數(shù)實現(xiàn)，也有已經(jīng)封裝好的拓展模塊，還包括速度更快的 Python 解釋器。

當(dāng)然多處理器版本確實能大幅提高運行效率。如果想了解多核編程，可以從multiprocessing 模塊開始。而且也能找到非常多的關(guān)于分布式計算的第三方工具。這里可以看一下 Python wiki 上的關(guān)于 Parallel Processing 的內(nèi)容。

接下來，會說一些關(guān)于Python 加速工具的選單。

NumPy、SciPy、Sage 和 Pandas

先說 NumPy，它的核心是一個多維數(shù)字?jǐn)?shù)組的實現(xiàn)。除了這個數(shù)據(jù)結(jié)構(gòu)之外，還實現(xiàn)了若干個函數(shù)和運算符，可以高效地進行數(shù)組運算。并且對于被調(diào)用的次數(shù)進行了精簡。它可以被用來進行極其高效的數(shù)學(xué)運算。

SciPy 和 Sage 都將 NumPy 內(nèi)置為自身的一部分，同時內(nèi)置了其他的不同的工具，從而可以用于特定科學(xué)、數(shù)學(xué)和高性能計算的模塊。

Pandas 是一個側(cè)重于數(shù)據(jù)分析的工具。如果處理大量半結(jié)構(gòu)化數(shù)據(jù)的時候，可能也會用到 Pandas 相關(guān)的工具，比如 Blaze。

PyPy、Pyston、Parakeet、Psyco 和 Unladen Swallow

讓代碼運行的更快，侵入性最小的就是使用實時編譯器(JIT 編譯)。以前的話我們可以直接安裝 Psyco。安裝之后導(dǎo)入 psyco，然后調(diào)用 psyco.full()。代碼運行速度就可以明顯提升。運行 Python 代碼的時候，它可以實時監(jiān)控程序，會將一部分代碼編譯為了機器碼。

現(xiàn)在好多 Psyco 等加速器的項目已經(jīng)停止維護了，不過類似的功能在 PyPy 中得到了繼承。PyPy 為了方便分析、優(yōu)化和翻譯，用 Python 語言將 Python 重新實現(xiàn)了一遍，這樣就可以 JIT 編譯。而且 PyPy 可以直接將代碼翻譯成像 C 那樣的性能更高的語言。

Unladen Swallow 是一個 Python 的 JIT 編譯器。是 Python 解釋器的一本版本，被稱為底層虛擬機(LLVM)。不過這個開發(fā)已經(jīng)停止了。

Pyston 是一個與 LLVM 平臺較為接近的 Python 的 JIT 編譯器。很多時候已經(jīng)優(yōu)于 Python 的實現(xiàn)，但不過還有很多地方不完善。

GPULib、PyStream、PyCUDA 和 PyOpenCL

這四個都是用在圖像處理單元來實現(xiàn)代碼的加速。前面講的都是用代碼優(yōu)化來實現(xiàn)加速的。而這些都是從硬件層面上進行加速，如果有一個強大的 GPU，我們可以用 GPU 來計算，從而減少 CPU 寶貴的資源。

PyStream 古老一點。GPULib 提供了基于 GPU 的各種形式的數(shù)據(jù)計算。

如果用 GPU 加速自己的代碼，可以用 PyCUDA 和 PyOpenCL。

Pyrex、Cython、Numba 和 Shedskin

這四個項目都致力于將 Python 代碼翻譯為 C、C++和 LLVM 的代碼。Shedskin 會將代碼編譯為 C++語言。Pyrex、Cython 編譯的主要目標(biāo)是 C 語言。Cython 也是 Pyrex 的一個分支。

而且，Cython 還有 NumPy 數(shù)組的額外支持。

如果面向數(shù)組和數(shù)學(xué)計算的時候，Numba 是更好的選擇導(dǎo)入時會自動生成相應(yīng)的 LLVM 的代碼。升級版本是 NumbaPro，還提供了對 GPU 的支持。

SWIG、F2PY、Boost.Python

這些工具可以將其他的語言封裝為 Python 的模塊。第一個可以封裝 C/C++語言。F2PY 可以封裝 Fortran。Boost.Python 可以封裝 C++語言。

SUIG 只要啟動一個命令行工具，往里面輸入 C 或者 C++的頭文件，封裝器代碼就會自動生成。除了 Python，而且可以成為其他語言的封裝器，比如 Java 和 PHP。

ctypes、llvm-py 和 CorePy2

這些模塊可以幫助我們實現(xiàn)Python 底層對象的操作。ctypes 模塊可以用于在內(nèi)存中構(gòu)建編譯 C 的對象。并且調(diào)用共享庫中的 C 的函數(shù)。不過 ctypes 已經(jīng)包含在 Python 的標(biāo)準(zhǔn)庫里面了。

llvm-py 主要提供LLVM 的 Python 接口。以便于構(gòu)建代碼，然后編譯他們。也可以在 Python 中構(gòu)建它的編譯器。當(dāng)然搞出自己編程語言也是可以的。CorePy2 也可以進行加速，不過這個加速是運行在匯編層的。

Weave、Cinpy 和 PyInline

這三個包，就可以讓我們在 Python 代碼中直接使用 C 語言或者其他的高級語言?；旌洗a，依然可以保持整潔。可以使用 Python 代碼的字符串的多行特性，可以使其他的代碼按照自身的風(fēng)格來進行排版。

其他工具

如果我們要節(jié)省內(nèi)存，就不能使用 JIT 了。一般 JIT 都太耗費內(nèi)存。有一句話說的很對，時間和內(nèi)存經(jīng)常不能兼得，而我們在工程開發(fā)中，總是要尋找他們的平衡點。至于其他的一些東西，比如 Micro Python 項目，這個是用在嵌入式設(shè)備或者微控制器上面使用的。

如果只是想在 Python 環(huán)境中工作，然后想用別的語言，可以看看這個項目Julia。