首先，使用time并不是测试这种代码的好方法。但是，让我们忽略它。@H_404_3@
当您的代码需要执行很多循??环并在每次循环中重复非常相似的工作时，PyPy的JIT将做得很好。当该代码每次都执行完全相同 的操作时，达到可以从循环中取出的恒定值，它将做得更好。另一方面，cpython必须为每次循环迭代执行多个字节码，因此它会很慢。通过在我的计算机上进行的快速测试，cpython 3.4.1耗时24.2秒，而PyPy 2.4.0 / 3.2.5耗时0.0059秒。@H_404_3@
IronPython和Jython也是JIT编译的（尽管使用了更通用的JVM和.NET JIT），因此，对于此类工作，它们也往往比cpython快。@H_404_3@
通常，您还可以通过使用NumPy数组和向量运算而不是python列表和循环来加快cpython本身的工作速度。例如，下面的代码花费0.011秒：@H_404_3@
i = np.arange(10000000)
i[:] = 4 * x * (1-x)
当然，在这种情况下，我们显式只计算一次该值并将其复制10000000次。但是我们可以强制它一次又一次地进行实际计算，它仍然只需要0.12秒：@H_404_3@
i = np.zeros((10000000,))
i = 4 * (x+i) * (1-(x+i))
其他选项包括用Cython编写部分代码（编译为Python的C扩展），以及使用Numba，后者通过JIT在cpython中编译代码。对于像这样的玩具程序，两者都不适合—如果您仅尝试优化一次性的24秒过程，那么花费在自动生成和编译C代码上的时间可能会浪费通过运行C代码而不是Python代码节省的时间。但是在现实的数字编程中，两者都是非常有用的。（而且两者都可以与NumPy很好地玩。）@H_404_3@
而且总是会有新的项目出现。@H_404_3@
602392714
清零编程群