Question

读完本章之后你将能够回答下列问题

我怎样让我的Python代码作为低级代码来运行？

JIT编译器和AOT编译器的区别是什么？

编译后的Python代码运行什么任务能够比本地Python快？

为什么类型注解提升了编译后Python代码的运行速度？

我该怎样使用C或Fortran为Python编写模块？

我该怎样在Python中使用C或者Fortran的库？

让你的代码运行更快的最简单的办法就是让它做更少的工作。设想你已经选择了优秀的算法并且已经减少了要处理的数据量，要执行更少指令的最简单的方法就是把你的代码编译成机器码。

Python为此提供了许多选项，包括纯粹的基于C的编译方式，比如Cython、Shed Skin和Pythran，凭借Numba的基于LLVM的编译方式，还有替代虚拟机的PyPy，包含了一个内置的即时编译器（JIT）。当决定采用哪条路线时，你需要在代码的可适用性和团队效率的要求方面做出权衡。

这些工具中的每一种都给你的工具链增加了新的依赖性，并且Cython会额外要求你用一种新的语言类型来编写（一种Python和C的混合），这就意味着你需要新的技能。Cython的新语言可能会伤害你的团队效率，因为没有C语言知识的团队成员在支持这种代码方面可能会有麻烦，尽管在实践中，这很可能只是一个小小的顾虑，因为你只会在代码中精心选择的小部分区域使用Cython。

值得注意的是对你的代码执行CPU和内存剖析有可能会促发你去思考可以采用的高层算法优化。这些算法的变动（例如，用额外的逻辑来避免计算或者用缓存来避免重新计算）会帮助你避免在代码中做无用功，并且Python的表达力会帮助你获得发现这些算法的机会。Radim Řehůřek在12.2节中讨论了Python的实现怎样能够胜出纯C的实现。

在本章中，我们会检视：

Cython ——这是编译成C最通用的工具，覆盖了numpy和普通的Python代码（需要一些C语言的知识）。

Shed Skin —— 一个用于非numpy代码的，自动把Python转换成C的转换器。

Numba —— 一个专用于numpy代码的新编译器。

Pythran —— 一个用于numpy和非numpy代码的新编译器。

PyPy —— 一个用于非numpy代码的，取代常规Python可执行程序的稳定的即时编译器。

接下来在本章中，我们会查看外来接口，这些接口允许C代码被编译进Python的扩展模块。Python的本地API和ctypes、cffi（来自PyPy的作者），以及f2py这种能把Fortran转为Python的转换器一起使用。