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是動態(tài)語言;2、python是解釋執(zhí)行，但是不支持JIT;3、python中一切都是對象，每個對象都需要維護(hù)引用計數(shù)，增加了額外的工作。4、pythonGIL;5、垃圾回收。

第一：python是動態(tài)語言

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

另外一個例子是屬性查找，關(guān)于具體的查找順序在《python屬性查找》中有詳細(xì)介紹。簡而言之，訪問對象的某個屬性是一個非常復(fù)雜的過程，而且通過同一個變量訪問到的python對象還都可能不一樣(參見Lazyproperty的例子)。而在C語言中，訪問屬性用對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這個項目，但最終也折了。

第三：python中一切都是對象，每個對象都需要維護(hù)引用計數(shù)，增加了額外的工作。

第四：pythonGIL，GIL是Python最為詬病的一點(diǎn)，因為GIL，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)場景，這個問題并不大，但是在CPUBOUND的場景，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也會帶來很大的性能影響，因為python每執(zhí)行100個opcode(默認(rèn)，可以通過sys.setcheckinterval()設(shè)置)就會嘗試線程的切換，具體的源代碼在ceval.c::PyEval_EvalFrameEx。

第五：垃圾回收，這個可能是所有具有垃圾回收的編程語言的通病。python采用標(biāo)記和分代的垃圾回收策略，每次垃圾回收的時候都會中斷正在執(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)，希望對大家有所幫助，如果想要了解更多Python相關(guān)知識，請關(guān)注IT培訓(xùn)機(jī)構(gòu):千鋒教育。