众所周知，Python 在几种常用的脚本语言（Ruby、JavaScript、Lua 等）中，速度是垫底的的存在。业界在上面也投入了很大精力，提供了各种各样的解决方案，各有各的优缺点，下面对这些解决方案做一些简单的介绍。

首先不得不提的是Python之父参与的“香农计划”，在 2021 年 5 月的 Python 语言峰会上，Python 之父 Guido van Rossum 作了一场《Making CPython Faster 》的分享，宣布投入该计划，要在未来四年内将 CPython 速度提升 5 倍。 方案上涉及 CPython 一系列细节上的改进，有兴趣的可以自行搜索，最新进展是在 Python 3.11 版本，提速 10-60%。 作为用户只需等官方进展，升级 Python 版本既可。

PyPy 是一种快速、兼容的 Python 替代实现，得益于其 Just-in-Time 编译器，Python 程序在 PyPy 上通常运行得更快。官方提供的基准测试相比 CPython 3.7 快 4.8 倍。安装使用上和官方的 Python 一样。最新版本 PyPy 3.9，相比官方的 Python 3.11 新特性可能不支持。

Cython 是一种针对 Python 和扩展的 Cython(基于 Pyrex)的优化静态编译器。它可以让我们为 Python 编写 C 扩展时，像编写 Python 本身一样简单。最著名的项目就是 numpy。 与 Python 不同，Cython 代码必须被编译。这发生在两个阶段：

下面看一个简单的样例。假设 hello.pyx 文件中有一个简单的 “hello world”脚本：

下面是相应的 setup.py 脚本

要构建，请运行 python setup.py build ext --inplace​ 命令。然后简单地启动一个 Python 终端，既可导入使用相关函数：

我们也可以借助 Python 的类型注释，在写法时候更接近 Python 一点：

Numba 是一个开源的、支持 numpy 的 Python 优化编译器，由 Anaconda, Inc.赞助。它使用 LLVM 从 Python 语法生成机器代码。它在使用 numpy 数组、函数和循环的代码上工作得最好。往往在数据分析、科学计算领域使用的比较多。 使用上比较简单，就是在我们 Python 函数上添加装饰器，相比其他方案（替换解释器、用其他语言编译等）工作流上侵入性比较小。