Python 速度慢但开发效率高：为何它仍是首选语言

总体来说，争论 python 是否高产，最终讨论的是脚本（或动态语言）与静态类型语言之间的比较。我认为大家都赞同静态类型语言的产量较低，但这里有一篇很好的论文解释了其中的原因。就 Python 而言，曾有研究分析了不同语言编写一个字符串处理程序所花费的时间，并做了很好的总结。

![图片]

使用不同语言编写字符串处理应用所花费的时间。(Prechelt 与 Garret)

在结论中 Python 比 Java 的生产效率高两倍。还有其他诸多研究结果得到类似的结论。Rosetta Code 对不同语言进行了公平而深入地研究。在论文中它们将 Python 和其他脚本 / 解释型语言进行了比较，并认为：

Python 是其中最精练的，甚至比函数式语言更好（平均短 1.2-1.6 倍）。

总体看来 Python 代码的行数总是更少。代码行数听上去是一个糟糕的指标，但是多项研究显示（包括之前提及的两个），在各语言中输入每行代码的时间是不相上下的。因此，减少代码行数也就相当于提高了生产效率。

何时需要优化？

上述观点的论调听上去像认为优化和速度根本不重要。但是事实是，许多时候运行时效率至关重要。一个例子是，你的网络应用有一个特定的端点需要相当长的时间来响应请求。同时你知道它需要有多快，也知道它要被优化到什么程度。

在这个例子中，发生了下面两件事：

1. 我们关注到某个运行慢的端点。
2. 我们认为它慢，因为我们了解什么是足够快，并且它没能达到这个指标。

我们不必在应用中对每个服务进行细节调优。每个服务只需要能'足够快'来满足用户的需求就够了。用户会发现某个端点花费了几秒时间返回，但是他们并不会注意到你把一个 35 毫秒的请求优化到了 25 毫秒。你只需要达到'足够好'就可以了。免责声明：不得不说一些应用，如实时拍卖应用，确实需要细节调优，能提升一毫秒算一毫秒。但是这是一个特例，而不是业界的规则。

为了弄清如何优化某个端点，第一步你需要对你的代码进行性能分析，并尝试整理出其中的瓶颈。归根到底：

任何不考虑瓶颈的调优都是幻想。—— Gene Kim

如果你的优化并不解决瓶颈，那你就是在浪费你的时间，而且还不能解决真正地问题。不解决瓶颈，你就不会在性能上得到显著的提升。如果你尝试着在了解瓶颈前优化，你就在和你的代码在玩打地鼠的游戏。在排查和确定瓶颈前优化代码也是'不成熟优化'的表现。Donald Knuth 常被引用下面的观点，虽然他本人称这也是从其他人那儿听来的：

不成熟的优化是万恶之源。

我们应该忘记那些小的性能提升，这占了 97% 的时间：不成熟的优化是万恶之源。但同时我们也不能放过那至关重要的 3%。换句话来说，大部分时间，你不应该关心代码的优化。它们通常已经足够好了。如果没有能达到标准，我们应该只需要改变那 3% 的代码。

优化 Python 的策略

我最喜欢 Python 的一点就是它可以让你一步一步地优化你的代码。比如说你有一个 Python 方法，你发现它是你项目中的瓶颈。你已经对其优化了数次，可能是遵循了最佳实践，现在你确定 Python 本身是你应用的瓶颈所在。

1. 性能分析工具

在优化之前，必须使用工具定位瓶颈。Python 内置的 cProfile 模块可以提供详细的调用统计信息。配合 pstats 可以生成分析报告，帮助你识别哪些函数消耗了最多的 CPU 时间。

import cProfile
import pstats

def slow_function():
    # 模拟耗时操作
    sum(i * i for i in range(10000))

if __name__ == '__main__':
    profiler = cProfile.Profile()
    profiler.enable()
    slow_function()
    profiler.disable()
    stats = pstats.Stats(profiler).sort_stats('cumulative')
    stats.print_stats()

2. Cython 加速

Python 是能够直接调用 C 代码的，这就意味着你可以用 C 重写这个方法来减少性能问题。你可以一个一个地进行替换。这个过程能让你调用任何最终编译成 C 兼容指令的优化的代码，也让你能在大部分情况下继续使用 Python，而只在真正需要的时候深入底层进行开发。

有一个叫 Cython 的语言，它是 Python 的超集。几乎是 Python 和 C 的结合体，同时它是渐进的类型化语言。任何 Python 代码都是合法的 Cython 代码，Cython 会将代码编译成 C 代码。有了 Cython，你可以编写模块或方法，渐渐地引入 C 语言的类型和性能。你可以混合使用 C 语言的类型和 Python 的鸭子类型（duck type）。通过 Cython 你可以只在瓶颈处进行调优，而在其他地方仍然使用优美的 Python 语言，两者能完美地结合。

![图片]

使用 Python 编写的太空大规模多人在线游戏 EVE Online 的截图

当你最终遇到了 Python 的性能瓶颈，你不需要将你所有代码移植到其他语言。你总是可以使用 Cython 重写部分方法来满足性能上的需求。这也是游戏 EVE Online 所采用的策略。Eve 是一个大型多人在线电脑游戏，它完全使用 Python 和 Cython 开发。游戏开发人员通过在 C/Cython 中调优瓶颈来达到游戏级的性能要求。如果游戏都能达到性能上的需求，那么大部分情况都应该可以满足。

3. PyPy 运行时

此外，还有其他方法来优化你的 Python 程序。例如 PyPy 是一个 Python 的运行时编译执行（JIT）的实现，只需要使用 PyPy 切换默认的 CPython，就可以显著地提升你长时间运行应用的运行时性能，如在网络服务器上。对于计算密集型任务，PyPy 往往能提供比 CPython 快数倍的执行速度。

总结

就时间复杂度而言，你可以认为用任何的语言写你的程序的复杂度都是 O(n) 的，其中 n 是代码的行数或指令个数。同一指令的增长速率都是相同的。所以一个语言或运行时的快慢并不重要，就渐进增长而言，所有语言都是等价的。在这个逻辑下，你可以认为，因为某个语言速度快而选择其为开发你应用的语言是不成熟优化的一种体现。你不应该主观地判断某个语言快而不去进行衡量、不去了解将会遇到的瓶颈。

因为某个语言速度快而选择其为开发你应用的语言是不成熟优化的一种体现。

![图片]

综上所述，Python 虽然在绝对运行速度上不及编译型语言，但其极高的开发效率和丰富的生态使其成为现代软件开发的首选。只要合理评估系统瓶颈，利用合适的工具进行局部优化，Python 完全能够满足绝大多数业务场景的需求。