优化代码的工具会让代码变得更简洁，或者更迅速！
一起来了解了解吧。
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。
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。
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。
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。
SWIG、F2PY、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。
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。
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。
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。
标签：语言,Python,可以,加速,编译,JIT,代码 From： https://blog.csdn.net/WANGWUSAN66/article/details/143141330