Python开发者必备工具集
这篇文章会提供一些优化代码的工具。会让代码变得更简洁，或者更迅速。
当然这些并不能代替算法设计，但是还是能让 python 加速很多倍。
其实前面讲算法的文章，也有提到过。比如适用于双向队列的 deque，以及在合适的条件下运用 bisect 和 heapq 来提升算法的性能。
而且前面也提到过，python 提供了当今最高级也是最有效的排序算法(list.sort)。
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。
接下来，会说一些关于python 加速工具的选单。
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。
如果只是想在 python 环境中工作，然后想用别的语言，可以看看这个项目julia。
苹果暂停Epic开发者账户
欧司朗宣布艾迈斯收购提议通过 将为光电半导体业务部门带来新机遇
世界汽车前三名中有多少中国贡献？
触摸屏智能手机交互设计
移动互联时代的新闻有了怎样的变革
Python开发者必备工具集
2024年，中国电信将深耕卫星通信领域
通嘉宏瑞获评 “中国IC独角兽企业”
什么成为了5G商用的跳板
小米狗狗定位器开售，可随时监测狗狗并进行定位
Dart 3.2 更新盘点
大坝安全监测系统，为中小型水库建立安全防线！
政策利好，欧莱新材IPO推动公司可持续高质量发展
坚果Pro3曝光将定位中端手机搭载骁龙730处理器不支持5G以及NFC功能
嘉楠耘智采用台积电7nm的ASIC芯片 成为讨论度最高的“中国芯”
IEEE标准协会公布加密货币交易国际标准
如何正确选择单模光纤和多模光纤
新的全球物联网解决方案合作已经达成
虹科方案|使用 Thunderbolt™ 实现 VMware vSAN™ 连接
苹果为什么还要推出20W PD快充充电器？
当然这些并不能代替算法设计，但是还是能让 python 加速很多倍。
其实前面讲算法的文章，也有提到过。比如适用于双向队列的 deque，以及在合适的条件下运用 bisect 和 heapq 来提升算法的性能。
而且前面也提到过，python 提供了当今最高级也是最有效的排序算法(list.sort)。
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。
接下来，会说一些关于python 加速工具的选单。
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。
如果只是想在 python 环境中工作，然后想用别的语言，可以看看这个项目julia。
苹果暂停Epic开发者账户
欧司朗宣布艾迈斯收购提议通过 将为光电半导体业务部门带来新机遇
世界汽车前三名中有多少中国贡献？
触摸屏智能手机交互设计
移动互联时代的新闻有了怎样的变革
Python开发者必备工具集
2024年，中国电信将深耕卫星通信领域
通嘉宏瑞获评 “中国IC独角兽企业”
什么成为了5G商用的跳板
小米狗狗定位器开售，可随时监测狗狗并进行定位
Dart 3.2 更新盘点
大坝安全监测系统，为中小型水库建立安全防线！
政策利好，欧莱新材IPO推动公司可持续高质量发展
坚果Pro3曝光将定位中端手机搭载骁龙730处理器不支持5G以及NFC功能
嘉楠耘智采用台积电7nm的ASIC芯片 成为讨论度最高的“中国芯”
IEEE标准协会公布加密货币交易国际标准
如何正确选择单模光纤和多模光纤
新的全球物联网解决方案合作已经达成
虹科方案|使用 Thunderbolt™ 实现 VMware vSAN™ 连接
苹果为什么还要推出20W PD快充充电器？