前言
嗨喽，大家好呀~这里是爱看美女的茜茜呐
又到了学Python时刻~
在众多编程语言中，Python的社区生态是其中的佼佼者之一。
几乎所有的技术痛点，例如优化代码提升速度，在社区内都有很多成功的解决方案。
本文分享的就是一份可以令 Python 变快的工具清单，值得了解下。
这些并不能代替算法设计，但是能在相同条件下让Python加速很多倍，并且让代码变得更简洁。
另外还有一个功能多样又迅速的散列表(dict)。
而且如果写迭代器封装、功能性代码或者是某种额外扩展的时候，或许 CyToolz可以用得到。
当然在itertools和 functools模块 中，还有很多函数可以带来很高效的代码。
这篇文章主要讲优化单处理器的代码
下面会介绍一些一些高效的函数实现，也有已经封装好的拓展模块，还包括速度更快的Python解释器。
当然多处理器版本确实能大幅提高运行效率。
如果想了解多核编程，可以从multiprocessing模块开始。
而且也能找到非常多的关于分布式计算的第三方工具。
这里可以看一下Python wiki上的关于Parallel Processing的内容。
正文
1、NumPy、SciPy、Sage和Pandas
先说，NumPy。
它的核心是一个多维数字数组的实现。
除了这个数据结构之外，还实现了若干个函数和运算符，可以高效地进行数组运算。
并且对于被调用的次数进行了精简。它可以被用来进行极其高效的数学运算。
SciPy和Sage都将NumPy内置为自身的一部分，同时内置了其他的不同的工具，从而可以用于特定科学、数学和高性能计算的模块。
Pandas是一个侧重于数据分析的工具。
如果处理大量半结构化数据的时候，可能也会用到Pandas相关的工具，比如Blaze。
2、PyPy、Pyston、Parakeet、Psyco和Unladen Swallow
让代码运行的更快，侵入性最小的就是使用实时编译器(JIT编译)。
以前的话我们可以直接安装Psyco。安装之后导入psyco，然后调用psyco.full()。
代码运行速度就可以明显提升。
运行Python代码的时候，它可以实时监控程序，会将一部分代码编译为了机器码。
现在好多Psyco等加速器的项目已经停止维护了，不过类似的功能在PyPy中得到了继承。
PyPy为了方便分析、优化和翻译，用Python语言将Python重新实现了一遍，这样就可以JIT编译。
而且PyPy可以直接将代码翻译成像C那样的性能更高的语言。
Unladen Swallow是一个Python的JIT编译器。
是Python解释器的一本版本，被称为底层虚拟机(LLVM)。不过这个开发已经停止了。
Pyston是一个与LLVM平台较为接近的Python的JIT编译器。
很多时候已经优于Python的实现，但不过还有很多地方不完善。
3、GPULib、PyStream、PyCUDA和PyOpenCL
这四个都是用在图像处理单元来实现代码的加速。
前面讲的都是用代码优化来实现加速的。
而这些都是从硬件层面上进行加速，如果有一个强大的GPU，
我们可以用GPU来计算，从而减少CPU宝贵的资源。
PyStream古老一点。
GPULib提供了基于GPU的各种形式的数据计算。
如果用GPU加速自己的代码，可以用PyCUDA和PyOpenCL。
4、Pyrex、Cython、Numba和Shedskin
这四个项目都致力于将Python代码翻译为C、C++和LLVM的代码。
Shedskin会将代码编译为C++语言。
Pyrex、Cython编译的主要目标是C语言。
Cython也是Pyrex的一个分支。
而且，Cython还有NumPy数组的额外支持。
如果面向数组和数学计算的时候，Numba是更好的选择导入时会自动生成相应的LLVM的代码。
升级版本是NumbaPro，还提供了对GPU的支持。
5、SWIG、F2PY和Boost.Python
这些工具可以将其他的语言封装为Python的模块。
第一个可以封装C/C++语言。
F2PY可以封装Fortran。
Boost.Python可以封装C++语言。
SUIG只要启动一个命令行工具，往里面输入C或者C++的头文件，封装器代码就会自动生成。
除了Python，而且可以成为其他语言的封装器，比如Java和PHP。
6、ctypes、llvm-py和CorePy2
这些模块可以帮助我们实现Python底层对象的操作。
ctypes模块可以用于在内存中构建编译C的对象。
并且调用共享库中的C的函数。
不过ctypes已经包含在Python的标准库里面了。
llvm-py主要提供LLVM的Python接口。
以便于构建代码，然后编译他们。
也可以在Python中构建它的编译器。
当然搞出自己编程语言也是可以的。
CorePy2也可以进行加速，不过这个加速是运行在汇编层的。
7、Weave、Cinpy和PyInline
这三个包，就可以让我们在Python代码中直接使用C语言或者其他的高级语言。
混合代码，依然可以保持整洁。
可以使用Python代码的字符串的多行特性，可以使其他的代码按照自身的风格来进行排版。
8、其他工具
如果我们要节省内存，就不能使用JIT了。
一般JIT都太耗费内存。
有一句话说的很对，时间和内存经常不能兼得，而我们在工程开发中，总是要寻找他们的平衡点。
至于其他的一些东西，比如Micro Python项目，这个是用在嵌入式设备或者微控制器上面使用的。
