如何让python运行效率更高的解释器与库

Python因其强大、灵活且易于使用等特性，而赢得了声誉。这些优点使其在各种各样的应用程序、工作流程和领域中得到了广泛应用。但是就语言的设计，也就是它天然的解释能力还有它的运行时的动态性而言，Python总是比C或C ++这样的机器本地语言慢一个数量级。

多年来，开发人员已经为Python的速度限制提出了各种变通方法。例如你可以在C中编写性能密集型任务并使用Python封装它，许多机器学习库正是这样做的。或者你可以使用Cython，这个项目可以将Python种加上运行时类型信息以便编译为C，通过这种方式来允许你使用Python代码。

CPython是特指C语言实现的Python，就是原汁原味的Python
Jython，就是Java版的Python
PyPy，使用Python再把Python实现了一遍。

PYPY–解释器

PyPy是Python解释器CPython的直接替代品。CPython将Python编译为中间字节码然后由虚拟机解释，而PyPy使用实时（JIT）编译将Python代码转换为本地机器的汇编语言。

根据正在执行的任务，性能提升可能会非常显着。平均而言，PyPy将Python加速了大约7.6倍，一些任务加速了50倍或更多。CPython解释器根本不会执行与PyPy一样的优化方式，并且可能永远不会，因为这不是它的设计目标之一。

最好的部分是开发人员需要很少甚至不需要努力来解锁PyPy提供的收益。只需将CPython替换为PyPy，并且大部分都已完成。下面讨论了一些例外，但是PyPy的目标是运行现有的，并且未经修改的Python代码并为其提供自动化的速度提升。

PyPy目前通过项目的不同版本支持Python 2和Python 3。换句话说，你需要下载不同版本的PyPy，具体取决于你运行的Python版本。 PyPy的Python 2分支已经存在了很长时间，但到目前为止，python 3版本的速度已经提高了很多。PyPy目前支持Python 3.5（发布版本）和Python 3.6（beta版本）。也就是相当于重新安装个python的版本，而且PyPy还要安装专门用于pypy的pip

除了支持所有核心Python语言外，PyPy还可以与Python生态系统中的绝大多数工具配合使用，例如用于打包的pip或用于虚拟环境的virtualenv。大多数Python软件包，即使是那些带有C模块的软件包，都会按照原样运行。当然，也存在一些限制，我们将在下面介绍一些限制。

PyPy如何工作

PyPy使用其他即时编译器中的动态语言优化技术。它分析运行的Python程序，以确定在程序中创建和使用对象时的类型信息，然后使用该类型信息作为指导来加快速度。例如，如果Python函数仅使用一种或两种不同的对象类型，PyPy会生成机器代码来处理这些特定情况。
PyPy的优化是在运行时自动处理，因此你通常不需要调整其性能。高级用户可能会尝试使用PyPy的命令行选项来为特殊情况生成更快的代码，但这种情况通常很少需要。
PyPy也脱离了CPython处理一些内部函数的方式，但它同时试图保留兼容的行为。例如PyPy处理垃圾回收的方式与CPython不同。并非所有对象一旦超出范围就立即回收，所以在PyPy下运行的Python程序可能比在CPython下运行时显示占用更大的内存。但你仍然可以使用通过gc模块公开的Python高级垃圾回收控件，例如gc.enable()，gc.disable()和gc.collect()等等。
如果你想在运行时获得有关PyPy的JIT（实时）行为的信息，PyPy包含一个模块pypyjit，它向你的Python应用程序公开了许多JIT关联信息。如果你的某个功能或模块在JIT上表现不佳，那么pypyjit可以让你获得有关它的详细统计信息。
另一个特定于PyPy的模块，__pypy__暴露了PyPy特有的其他功能，因此对于编写利用这些功能的应用程序非常有用。由于Python的运行的动态性，有可能构建在PyPy存在时使用这些功能的Python应用程序，而在不存在时忽略它们。

PyPy的限制

可能看PyPy起来像魔法一样神奇，但其实它并不神奇。 PyPy同样具有某些限制，可以削弱或消除某些程序的有效性。唉，PyPy不是CPython运行时的完全的通用替代品。
PyPy最适合纯Python的应用程序
PyPy在“纯”Python应用程序中表现最佳，换句话说也就是用Python编写的没有夹杂其他语言的应用程序中表现最佳。由于PyPy模仿CPython的本机二进制接口的方式，与C库（如NumPy）接口的Python包也没有那么出类拔萃了。
PyPy的开发人员已经解决了这个问题，并使PyPy与大多数依赖于C扩展的Python包更加兼容。例如Numpy现在与PyPy兼容的非常好。但是，如果你希望与C的扩展最大程度地兼容，请使用CPython。
PyPy适用于运行时间较长的程序
PyPy优化Python程序的一个副作用是，运行时间较长的程序通过PyPy的优化获益最多。程序运行的时间越长，PyPy可以收集的运行时类型信息就越多，它可以进行的优化就越多。一劳永逸的Python脚本不会从这种事情中受益。例如受益的Python应用程序通常具有长时间循环运行的行为，或者在Web框架的后台中连续运行。

PyPy没有预编译

PyPy编译Python代码，但它不是Python代码的编译器。由于PyPy执行其优化的方式和Python的固有动态特点，因此无法将生成的JITted代码作为独立二进制文件发出并重新使用它。每次运行都必须编译每个程序。如果你想将Python编译成可以作为独立应用程序运行的更快的代码，那么还是请使用Cython、Numba或当前实验性的Nuitka项目。

linux安装pypy
yum install pypy
安装参考（https://blog.csdn.net/shouwangzhelv/article/details/51723636）
安装pypy版本的pip
https://github.com/anpengapple/pypy_get_pip
下载py文件，拷贝到服务器上，执行
pypy get_pip.py
pip安装完成了，为了防止pypy pip 与python pip混淆，
在想使用pypy pip 时使用如下口令：
$sudo pypy -m pip install xxxx(x为所需安装的包)

PyPy的缺点
CPython 上的Numpy的数据处理性非常好，满足了那些既要求速度又大量使用Pandas, SciPy等数据分析任务的库的人。

所以，Pypy 要么不支持或者很弱支持C语言扩展，要么减慢了那些数据处理的速度。完全无法比拟既可以满足速度要求又简单易用的CPyhon。

第二点，Python 3的支持在现阶段还是实验期。那些使用最新版本的Python新功能的人，现在应该还不愿意扔掉那些还在新鲜期的新奇功能。

第三点，PyPy 并不是真正的脚本快，而大多数使用Python 的人就是在用脚本。这些脚本就是一些简短的程序。 PyPy 的最大优点是它针对长时间运行的简单数字处理的即时 (JIT) 编译器。直白地说， PyPy的先编译处理时间比CPython长的多。

第四点，惰性。转移到PyPy需要重新装备机器。这对很多用户或者使用机构来说，都是太多的额外工作了。

psyco–python库

Python 源代码是通过 python 命令编译成字节码的，所用的方式和以前完全相同（除了为调用 Psyco 而添加的几个 import 语句和函数调用）。但是当 Python 解释器运行应用程序时，Psyco 会不时地检查，看是否能用一些专门的机器代码去替换常规的 Python 字节码操作

在py程序中，将如下部分至于顶端

import psyco;psyco.jit() 
from psyco.classes import *

第一行告诉 Psyco 对所有全局函数“发挥其魔力”。第二行（在 Python 2.2 及以上版本中）告诉 Psyco 对类方法执行相同的操作。为了更精确地确定 Psyco 的行为，可以使用下列命令：

psyco.bind(somefunc)　# or method, class
newname = psyco.proxy(func)

第二种形式把 func 作为标准的 Python 函数，但是优化了涉及 newname 的调用。除了测试和调试之外的几乎所有的情况下，您都将使用 psyco.bind() 形式。