pypy 优缺点是什么？

pypy 在 io 处理上确实快很多，我试了开 100w 个协程，每个协程要做的也很简单，就是休息 1s，最后统计 100w 个协程结束时间，同样的代码用 pypy 和 cython，pypy 基本在 1s 稍微多一点，cython 就得好几 s，pypy 处理原生数据结构是真的快，但处理像 numpy 底层本来就是用 c++/fortran 写的，貌似感觉不出太多差距，并且好多库还不支持 pypy 版本，例如科学计算常用的 scipy 库，不过 numpy 已经有 pypy 版，未来肯定适配的越来越多。总而言之，pypy 就是让你在不改动任何代码情况下提升性能的手段，如果有代码运行确实慢，可以先无脑试试这。

@SJ2050cn #1 但是好像 pypy 比较占内存

不兼容生态里大量的 C 扩展

只支持到 3.7 （所以我没用它

jit 性能不稳定，尤其是冷启动的时候比解释器慢很多。

亲自用用一个月，看哪个方便就用哪个，就这么简单

pypy 的 jit 实现优化上面离 jvm clr 甚至 v8 都差得比较远，不少地方比 cpython 没快多少。 并且 pypy 还是没有移除 GIL 的，比 cpython 快的是 io 场景和 python 内部数据场景。

这个问题可以分为几个方面。单纯表现上，pypy 在主流编程语言的 jit 解释器里基本排在最后一名或者倒数第二名，不过客观上讲这不是由于 pypy 技术落后，单纯是因为 python 本身是一门非常动态的语言，这给 jit 带来了很多难题，即使使用了 partial evaluation 等技术，同样难以优化到 java jit 的水平线。

不过 pypy 项目的存在本身也是开发效率即解释效率的一个例子，很多人坚持否认的，认为高效开发无用，实际上 pypy 已经出来这么多年而 cpython 的 jit 仍然在难产足以说明问题。可以想见的是如果 python 的一些现代特性被早一些加入的话，各应用领域（比如 web ）当中的市场份额可能会有大翻转，这也体现出互联网项目推广中的时也运也的一面。

具体坑的层面的话，一个共识是 python 一直以来的运行生态，从不依赖于 jit，可以看得出来 guido 从设计层面认为 ffi 扩展相比于始终不理想的 jit 是更好的解决方案，这也造成了目前的 py 生态。而 pypy 的 cffi 效率和兼容性差几乎成为制约其发展的主流因素，这也是为什么 pyston 这种提升很少性能，但具有完整嵌入支持的项目，即使仍在闭源状态，许多人仍然更看好它的因素。

python 优化的另一个方向可能是最近的 mypyc 项目，我觉得这个方向是对的，一如当初 cython 在 py 中引入类型后效率直接起飞一样，虽然这套方案在今天已经有更好的选择。很多事情如果程序员能低成本地实现，那么不要交给程序，程序处理起来反而会很复杂。

说实话用 pypy 我还不如直接换个语言写。没有 CPython 那些 C 扩展，性能也只有小幅提升。

@SJ2050cn pypy 现在能用 sklearn pytorch tensorflow 了嘛？一直不换的原因就是不支持机器学习相关库

你这个是怎么测试的，cython 直接在 c++代码里面开并行，是很快的， 不要跟外部 py 有太多交互，py 只提供数据给 c++和接收++计算完的数据。一般 py 慢， 直接用把逻辑全部迁移到 c++里面， 通过 cython 封装下接口，主要是接收 py 数据和返回计算结果给 py 。 其他全部 c++搞定。

@SlipStupig 没用过这些库，不清楚，大概率不支持

@SJ2050cn 和 numba.jit 比呢？我好久没碰过 pypy 了，上一次用还是 numpy 只支持 pypy2……

14 年開始一直用 pypy 運行後端

綜合性能大約是 cpython 2-2.5x 之間

近年來 cpyext 有了很大改善

numpy scipy 都可以運行了

雖然速度還是有些慢