這意味著在程式執行時，直譯器不知道定義的變數的型別。 此圖表總結了C變數（我使用C作為編譯語言的替代）和Python變數之間的區別：

cint vs pyint

對於C中的變數，編譯器透過其定義知道型別。 對於Python中的變數，在程式執行時你所知道的只是它是某種Python物件。

因此，如果您在C中編寫以下內容：

C編譯器從一開始就知道a和b是整數：它們根本不可能是其他任何東西！ 有了這些知識，它可以呼叫新增兩個整數的例程，返回另一個整數，這只是記憶體中的一個簡單值。 作為粗略的原理圖，事件序列如下所示：

C加法

將<int> 1分配給a

將<int> 2分配給b

呼叫binary_add <int，int>（a，b）

將結果分配給c

Python中的等效程式碼如下所示：

這裡直譯器只知道1和2是物件，但不知道它們是什麼型別的物件。因此，直譯器必須檢查每個變數的PyObject_HEAD以找到型別資訊，然後為這兩種型別呼叫適當的求和例程。最後，它必須建立並初始化一個新的Python物件來儲存返回值。事件序列看起來大致如下：

Python加法

將1分配給a

1A。將a-> PyObject_HEAD-> typecode設定為整數

1B。設定a-> val = 1

將2分配給b

2A。將b-> PyObject_HEAD-> typecode設定為整數

2B。設定b-> val = 2

呼叫binary_add（a，b）

3A。在a-> PyObject_HEAD中找到typecode

3B。 a是整數;值是a-> val

3C。在b-> PyObject_HEAD中找到typecode

3D。 b是整數;值是b-> val

3E。呼叫binary_add <int，int>（a-> val，b-> val）

3F。結果是結果，並且是整數。

建立一個Python物件c

4A。將c-> PyObject_HEAD-> typecode設定為整數

4B。設定c-> val結果

所有動態型別都意味著任何操作都涉及更多步驟，這是Python與數值資料操作相比較慢的主要原因。

從語言的本質上來講，python是解釋型語言，而c++是編譯型語言。

也就是說python程式碼解釋一句，執行一句；而c++語言是講整個程式碼編譯、連結為機器可識別的二進位制程式碼，最後一起執行。

所以從這個角度來講，c++自然會比python在很多情況下快很多。

就是gil導致這貨只能跑一個執行緒，無法充分利用cpu。題主說的場景，語言解釋性是次要的，可以忽略。python真正多執行緒只能透過呼叫c庫。gevent，libuv等實現。所以當年那些人工智慧庫只是為了語法簡單就選了python，真的是一個很二的選擇。

我們一般使用的 Python 是 CPython，導致它慢的原因主要有下面三條：

它是動態型別語言

它是解釋型語言而非編譯語言它有 GIL（Global Interpreter Lock全域性直譯器鎖）

動態特性導致 Python中的變數沒有型別宣告，在執行過程中隨時可能改變其型別，因此其很難被最佳化，而且還會有變數型別變動帶來的記憶體釋放及重新分配的效能損失。

Python 是一種解釋型的語言，不像 C/C++ 等編譯型語言會直接將程式碼編譯誠機器嗎執行，另外 Python 也沒有像 Java 那樣的即時編譯工具（JIT）。

GIL 限制限制 Python 直譯器在一個時刻只能有一個執行緒執行，執行緒的排程和切換也會損失一些效能。

要提高 Python 的執行效能，可以針對以上幾條限制下功夫：

使用 Cython 為 Python 程式碼新增一些型別宣告，並將其靜態編譯成可供 Python 呼叫的擴充套件模組。

使用 Numba 對 Python 程式碼做即時編譯。開啟 GIL。方式有很多，比如說一些庫如 numpy 的很多操作都是打開了 GIL 的，我們在程式中呼叫這些庫中的相應操作就能開啟 GIL，另外也可以使用 Cython 的 with nogil 語句手動地開啟 GIL。使用多程序以避開 GIL 的限制。比如說可以使用標準庫中的 multiprocessing 模組，或者使用像 mpi4py 這樣的包進行多程序的平行計算。

使用平行計算是加速 Python 的非常有效的方式。用 Python 做平行計算的途徑有很多，比如說使用標準庫中的 [threading 模組](https://docs.python.org/2/library/threading.html)進行執行緒級別的並行，[multiprocessing 模組](https://docs.python.org/2/library/multiprocessing.html)進行程序級別的並行，[concurrent.futures 模組](https://docs.python.org/3/library/concurrent.futures.html)實現非同步並行，使用 [IPython.parallel 模組](https://ipython.org/ipython-doc/3/parallel/index.html)進行多種方式的並行，使用 [mpi4py 包](https://pypi.org/project/mpi4py/)進行 MPI 訊息傳遞平行計算，等等。如果可以使用 C/C++，Fortran 或者使用 cython 為 Python 編寫擴充套件模組，還可以使用 OpenMP 並行。對 GPU 程式設計則可以使用 [pyCUDA](https://documen.tician.de/pycuda/)。我的個人[簡書專題](https://www.jianshu.com/c/5019bb7bada6)和 [CSDN 部落格專欄](https://blog.csdn.net/column/details/26248.html)中有對用 Python 做平行計算的專門介紹並提供了大量的程式例項。有需要或者感興趣的可以瞭解下。

所謂慢，也只是因為CPython的實現相對保守一點罷了，又不是沒有別的選擇？更可況Python大多數時候是作為簡單易用的膠水語言來使用，負載高的底層計算模組的實現，完全可以用效率高的C語言，用Python隨便擺弄一下上層邏輯就好了，無傷大雅。

以時下比較火爆、所需計算負載高得驚人的人工智慧領域為例，無論是機器學習框架還是資料處理程式，Python都是當之無愧的主角，要是真的慢，早就一臉嫌棄的被拋棄了……