用PyPy提高Python脚本执行效率

在《两百万前素数之和与前两百万素数之和》中，我们用Python求了前两百万的素数和以及两百万前的素数和，并且得到了在Python 3.3中的执行时间如下：

两百万前的素数之和：
142913828922
time: 2.4048174478605646

前两百万的素数之和：
31381137530481
time: 46.75734807838953

于是想办法提高python脚本的执行效率，我觉得在算法方面，优化空间已经比较小了，于是考虑执行器上的优化。在搜索的无意间我看到了一个名词——Psyco！这是python的一个外部模块，导入后可以加快.py脚本的执行。网上也有《用 Psyco 让 Python 运行得像 C一样快》、《利用 psyco 让 Python 程序执行更快》之类的文章，说明Psyco确实是一个可行的选择，于是就跃跃欲试了，后来了解到Psyco在2012年已经停止开发，只支持到Python 2.4版本，目前它由 PyPy所接替。于是我就下载了PyPy。

PyPy不再是一个python的外部模块，而是一个独立的解析器了，也就是说我们可以用pypy prime.py的命令执行.py脚本，它目前是基于python 2.7.6的，有windows版本。效率如何呢？请看

两百万前的素数之和：
142913828922
('time:', 0.226615647130835)

前两百万的素数之和：
31381137530481
('time:', 9.033084048872064)

一个从2.4秒缩短为0.3秒，一个由47秒缩短为9秒，速度提高了好几倍！这两个脚本用Pypy执行确实让人满意~

那是不是所有的python脚本都可以改为由pypy执行呢？不一定。有不少例子还是在Python运行得比较快，比如下面求$10000!$的脚本（只计算，不输出）

import time
start=time.clock()
s=1
for i in range(1,10000+1):
    s=s*i

end=time.clock()
print(end-start)

在Python 3.3中只需要0.06秒，在PyPy中却要0.3秒。如果求$100000!$，PyPy花了39秒，而Python 3.3只用了7秒！

关于PyPy和Python，下面是来自Veedrac的最佳答复：

就像其他人提到的，PyPy有很弱的C语言扩展性。它支持C语言扩展，但是比Python本身的速度还慢。因此，很多模块本身就要求使用CPython。

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。

但是对于笔者来说，我目前主要的编程是有大量重复计算的科学计算程序，PyPy确实可以大大提高效率！所以以后可能会尽量多使用PyPy执行的。

转载到请包括本文地址：https://kexue.fm/archives/2621

更详细的转载事宜请参考：《科学空间FAQ》