我已经编写了一个 Python 程序，并在 pypy 和 python 中运行了它。 我添加了一些计时打印来测量性能差异。 在某些情况下，速度提高了10倍，而在其他情况下没有变化。 有人能否解释一下在编写程序时是否有规则可以遵循，以利用 pypy 给出的潜在加速？ 例如，避免某些语法，优先选择某些数据结构等。
我发现速度提高了12倍至1.5倍之间。
2个回答
5
PyPy在处理与（小）整数/浮点数有关的纯数值密集型代码和包含< strong>热循环的情况下，通常比使用可变大小的动态整数/浮点数对象的C / C ++代码更快，因为它可以直接使用本地类型。但是，由于需要在运行时检查类型并编译代码，因此它仍然比本机编译的C / C ++代码慢。
PyPy不喜欢（大）动态代码。 它使用跟踪即时编译器，可以跟踪哪些代码部分更可能被执行，并在运行时动态编译此路径，如果经常执行，则会产生运行时开销。 当有许多执行路径动态更改时，JIT的开销可能很大，并且在最坏的情况下，PyPy可以选择不编译任何路径。 问题是PyPy回退解释器比CPython的解释器慢（由于能够跟踪和编译代码）。 支持一些动态特性，如帧内省，但速度较慢（因为代码不预计大量使用它们）。
对于短暂运行的脚本，PyPy不快，因为JIT必须在运行时编译代码，而JIT的开销或使用回退解释器（比CPython慢）可以高于对此类脚本使用CPython进行解释。
PyPy使用垃圾收集器（GC），而CPython使用自动引用计数（ARC）。 GC在分配/释放许多对象（特别是小临时对象）方面可能更快，但它们需要跟踪存活的对象以了解哪些对象已死亡，然后释放它们。 这意味着处理大量引用和常规对象分配的代码实际上可能会更慢。 这包括动态的基于图形的数据结构和树。
与CPython相比，C绑定API（C扩展和CTypes，但不包括CFFI）往往较慢（主要因为它首先是为CPython设计的）。 这意味着调用许多包装的C函数的粘合代码实际上会比使用PyPy慢。 最近完成了大量工作，显着提高了此情况下PyPy的性能，但据我所知，PyPy仍然较慢。 一个用例示例是对大型Numpy数组的操作（对于小型数组，嵌入式JITs如Numba肯定更好），以及CSV和pickling软件包。
字符串操作往往较慢，尤其是字符串连接。 一个原因是CPython使用高效算法进行字符串操作，这些算法在C中非常优化并且代码库庞大而复杂。 这对于小的PyPy团队来说是一项重要的工作，他们需要重新实现它并保持额外的JIT和GC的复杂性。 因此，操作可能没有很好地优化。 关于连接，低效性来自JIT无法优化中间副本。 话虽如此，需要避免字符串附加循环。
生成器往往比简单的基本循环要慢，越简单越好。人们不应该期望JIT在运行时执行复杂的昂贵优化，因为JIT的开销不应该与代码的其余部分相比太大（而PyPy无法提前知道代码所需的时间）。全局变量在CPython中速度较慢，但在PyPy中则不是这样。话虽如此，出于软件工程原因，它们也不应该被使用。
这是一个相当广泛的主题。有许多其他有趣的观点可以考虑来评估给定Python代码的性能。要了解更多信息，请阅读：
- https://www.pypy.org/performance.html (性能提示)
- https://speed.pypy.org (基准测试)
- https://www.pypy.org/blog (关于PyPy开发的文章)
- Jérôme Richard
0
没有硬性规定。在 PyPy FAQ https://doc.pypy.org/en/latest/faq.html#how-fast-is-pypy 中有一些提示。PyPy 可以 JIT 热的 Python 代码，并且可能能够使存储一种对象类型（int、float、string）的列表、字典和元组更加高效。
- mattip
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接