1. 学python电脑性能要求怎样
python对电脑性能的要求和你的方向与目的有关，大多数情况下，普通的电脑都是可以的。除非需要编写大规模运算的程序，或吃内存的程序，或使用显卡运算的程序，需要对应的设备好一点，否则只是学习的话，不需要考虑电脑性能的问题。
2. 如何看待 python 的性能
在这个行业，相信大家不止一个人也不止一次的说过类似的话:"一个成熟的系统不会是由一门语言去包打天下的”。
还有就是python 在企业中可以作为主要使用语言，比如做web开发的公司，为什么不呢，真正涉及到密集运算的部分很少，我们可以用很多替代方案解决，例如用c重写那部分，用python粘合，或者是用其他语言重写，再提供service接口等等，那个不是要命的问题，业务复杂度和需求变更才是要命的，这个小时讨论，只有两个小时编码，1个小时测试，快速发布到线上所有环境让用户使用才是要命的问题，这个时候你跟我扯性能，那不是搞笑吗？
还有一点是大部分国内的企业用非python是因为能用python真正解决问题的程序员相比之下少一些，这个来自于我们内部的数据统计，我们是做智能招聘的，通过大把（千万级）的简历分析得到的结果。（不是那种学了一段时间python就妄下定义的人），市场的选择而已，并不能说明问题。
是的，我自己所在的公司就是用python做为主要开发语言，也包括科学计算，海量分析相关的东西，没见到他们工作时说python性能差，性能差的地方只占他们工作的百分之几，换个语言就绕过去了，当然你要说用python去写游戏客户端图像处理那部分那就真的蛋疼了。每种语言都有他合适的应用场景。
3. python：性能差，还会有人用吗
有的，多数情况性能差点无所谓。
多数PYTHON小程序几分钟就写好了（例如网络爬虫），哪怕电脑跑半天也没关系。而性能好的C语言等花几天写个同样功能的程序，性能高到几秒钟就运行完成了，但是工作效率更高了吗，很显然不是的。
4. Python怎样做性能测试
利用profile分析相关的独立模块,python内置了丰富的性能分析工具，profile，cProfile与hotshot等。其中Profiler是python自带的一组程序，能够描述程序运行时候的性能，并提供各种统计帮助用户定位程序的性能瓶颈。Python标准模块提供三profilers:cProfile，profile以及hotshot。profile是python的标准库。可以统计程序里每一个函数的运行时间，并且提供了多样化的报表。使用profile来分析一个程序很简单，profile可以直接用python解释器调用profile模块来剖分py程序，如在命令行界面输入如下命令：
5. 如何进行 Python性能分析，你才能如鱼得水
importtimedeftimefunc(f):
deff_timer(*args,**kwargs):
start=time.time()
result=f(*args,**kwargs)
end=time.time()
printf.__name__,'took',end-start,'time'
returnresult
returnf_timer
defget_number():
forxinxrange(5000000):
yieldx@timefuncdefexpensive_function():
forxinget_number():
i=x^x^x
return'someresult!'#prints"expensive_functiontook0.72583088875seconds"result=expensive_function()
6. 如何进行python性能分析
在分析python代码性能瓶颈，但又不想修改源代码的时候，ipython shell以及第三方库提供了很多扩展工具，可以不用在代码里面加上统计性能的装饰器，也能很方便直观的分析代码性能。
7. Python3有性能上的提升么
#xiaodeng
#python3
#1、编码方式和性能
'''
1、py3运行效率更快
2、默认源文件编码ASCII变为UTF-8，以前文件前加入的coding=utf-8不再需要
3、针对unicode的处理有了明显的改善，效率明显提升
'''
#2、数据类型和基本运算
'''
1、int和long进行了统一，统一为int
2、True、False、None都是关键词
3、必须以b'...'表示二进制数据，可以使用u'..'表示字符串，不加u也表示字符串
4、移除<>不等号，使用“!=”表示不等号关系
1）2!=3
2）2<>3#出现语法错误
5、调整除法符号‘/’的用法，只返回浮点数，要返回整数要使用“//”
6、py3运算对数据的类型要求更加的严格
'''
deffoo(test=None):
iftestisNone:
print(test)
foo()
print(5/2)#浮点数
print(5//2)#整数
print(1/3)
#4、print和exec用法
'''
1、print是一个函数，不再是一个语句，其中不需要用空格，后面打印的内容需要有括号括起来
2、exec函数用法发生变化
'''
deffoo():
_local=locals()
exec('a=4',globals(),_local)
a=_local['a']
print(a)
foo()
#5、input、bin、oct和for循环
'''
1、raw_input统一为input
在py2中用法为：
1）a=raw_input('请输入：')
printa
2）a=input('请输入：')#接收一个有效的表达式，如：2+3，而不能单独接收3
printa
2、for循环的变量不再泄露在全局变量中，此bug已修复
1)Python2.7.10(default,May232015,09:40:32)[MSCv.150032bit(Intel)]onwin32
Type"right","credits"or"license()"formoreinformation.
>>>i=8
>>>print[iforiinrange(5)]
[0,1,2,3,4]
>>>printi
#按照道理来讲for循环中的i与最外面的i=8的i是不同的，但是这里。。。。。
>>>
2)
i=6
print([iforiinrange(5)])#结果为[0,1,2,3,4]
print(i)#结果i=6
'''
#6、a=input('请输入:')#这里不再需要一个有效的表达式，他的用法和raw_input相同
#print(a)
#7、range和dict的变化
'''
1、在python2中，range火xrange会创建一个列表。常出现在for循环、字典、列表中，但是py3中xrange改名为range，在python3中使用
使用xrange会触发错误。同时range返回的是可迭代对象而不再是列表形式，要想使range的结果得到一个list数据必须要使用list(range(5))
2、字典内的dict.iterkeys(),dict.itervalues(),dict.iteritems()被keys()andvalues()anditems()所替代
他们的返回结果类似于集的可迭代对象，而不是键值对的列表。从而在不进行键和值条目复制的情况下就能对其执行set操作
'''
a=range(6)
print(a)#result:range(0,6)对象，不是列表
print(list(a))#result:[0,1,2,3,4,5]
foriinrange(6):
print(i)
#print(xrange(5))#报错：提示为name"xrange"is'notdefined
#dict案例
d={'name':"iaodeng",'sex':28}
print(d.items())
print(type(d.items()))#<class'dict_items'>
#返回结果dict_items([('name','iaodeng'),('sex',28)])
#这里不再是列表形式
'''
Python2.7.10(default,May232015,09:40:32)[MSCv.150032bit(Intel)]onwin32
Type"right","credits"or"license()"formoreinformation.
>>>d={'name':"iaodeng",'sex':28}
>>>printd
{'name':'iaodeng','sex':28}
>>>printd.items()
[('name','iaodeng'),('sex',28)]
>>>printd.iteritems()#返回一个可迭代对象
<dictionary->
>>>foriind.iteritems():printi
('name','iaodeng')
('sex',28)
>>>
'''
print('xiaodeng:d.keys():',d.keys())#xiaodeng:d.keys():dict_keys(['name','sex'])
print(type(d.keys()))#<class'dict_items'>
#values()同理
print("既然是可迭代对象，那么还可以进行下面操作")
foriind.items():
print(i)
forkeyind.keys():
print(key)
print("values用法同理")
print('用list将可迭代对象转化为list数据')
print(list(d.values()))
#7、python3具有单一的str类型，其类型相当于python2的unicode，python3所有的字符串都是unicode
#新增bytes类型
a=b"china"
print(type(a))#<class'bytes'>
#str和tytes对象都可以使用encode和decode来进行转化
s=a.decode()
print(s)#china字符串类型
s=s.encode()
print(s)#b"china",tytes字节类型
#8、输入和输出
a=open('test.txt','w')
a.write("writeinsomething")
a.close()
b=open("test.txt","r")
print(b.read())#note：注意加括号
"""
1、如果要对文本执行任何I/O操作，python3会强制用户使用文本模式，打开文件，如果不想使用默认编码utf-8
通常需要指明所需的编码
2、如果对二进制数据进行I/O操作，必须使用二进制模式打开文件或进行读写操作
eg：
f=open("test1.txt","wb+")#二进制追加模式
f.write(b"wlovefengmei")#必须加b，以bytes对象的形式进行写入
f.close()
file=open(filename,mode)
mode:
r:只读模式
w:只写，如果文件已存在则会进行覆盖操作，所以格外小心，如果文件不存在则创建新的文件
a:打开文件用于追加,只写如果文件不存在则创建
b:二进制，不能单独使用
经过演变会有很多形式
"""
#9、迭代器
"""
1、range在python3中返回颗迭代对象二不是列表，最大限度节约内存
2、zip(),map(),filter(),key(),value()返回的均是可迭代对象
"""
#10、异常错误处理
"""
1、必须使用关键词as,try和exceptNameErrorase语句
2、案例：
python2
try：
something
exceptNameError,err：
printerr
python3
try:
something
exceptNameErroraserr:
print(err)
3、raise触发语法用法的变化，python3只接受带括号的
1）raiseIOError,"fileerror"#出现语法错误
2）raiseIOError("fileerror")
"""
#11、面向对象
"""
1、需要单独深入学习
"""
#12、模块的变动
8. 为什么python性能差
建议，可以学习一下django这样的网络框架。
9. Python的优势有哪些
1. 简单：Python奉行简洁主义，易于读写，它使你能够专注于解决问题而不是去搞明白语言本身。
2. 免费：Python是开源软件。这意味着你不用花一分钱便能复制、阅读、改动它，这也是Python越来越优秀的原因——它是由一群希望看到一个更加优秀的Python的人创造并经常改进着的。
3. 兼容性：Python兼容众多平台，所以开发者不会遇到使用其他语言时常会遇到的困扰。
4. 面向对象：Python既支持面向过程，也支持面向对象编程。在面向过程编程中，程序员复用代码，在面向对象编程中，使用基于数据和函数的对象。
5. 丰富的库：Python标准库确实很庞大。它可以帮助你处理各种工作，包括正则表达式、文档生成、单元测试、线程、数据库、网页浏览器、CGI、FTP、电子邮件、XML、XML-RPC、HTML、WAV文件、密码系统、GUI(图形用户界面)、Tk和其他与系统有关的操作。
6. 规范的代码：Python采用强制缩进的方式使得代码具有极佳的可读性。
7. 可扩展性和可嵌入性。如果你需要你的一段关键代码运行得更快或者希望某些算法不公开，你可以把你的部分程序用C或C++编写，然后在你的Python程序中使用它们。你可以把Python嵌入你的C/C++程序，从而向你的程序用户提供脚本功能。
10. 谁说Python性能差的
[转载]
最近看到网上有人对比Python，Shell脚本， C++，主要是拿Python性能说事，个人觉得意义不大。
一个语言有什么性能问题呢，是背后的实现（标准库，编译器）决定着一切，就像总有人想对比c++和c的效率一样。
还有就是，Python总被人叫做是脚本语言，其实脚本更多指的是批处理命令文件，是shell命令的集合，和python完全
不是一个层次。不同的工具所在层次不同，适用的问题也不同。把不同层次上的东西拉到一起做比较，什么问题也说明不了。
另外，shell就知道fork，你说他还能干嘛？:-)。
下面先乱侃一通，再以实例探讨下Python的性能问题。
首先，Python是一门动态编程语言，主要亮点是可以提高开发应用的效率。 他是和Java，perl，Ruby等语言同类的。
是做系统集成，Web应用等系统的利器，最近在科学计算领域也是大方光彩（numpy, scipy, sci-kit learn）。
和C/Cplusplus基本不是一个层次的开发工具，他们是做底层系统（基础库，os，ecos就是c++写的，还是用在嵌入式系统中）的，
很多库提供的功能也很基础。但，你可以为Python写c或cpp的模块，提高你的Python系统的整体性能。
其次，Python的主要解释器CPython是用C语言实现的，不同类型（dict，list）和函数实现的算法很不同。如果你的系统对性能很敏感，
那必须了解一些内幕，一个函数输入不同的参数，性能可能相差很大。另外，Python解释器执行Python代码时候，大概经历如下几个阶段：
1) 加载代码文件 2)翻译成AST 3)生成bytecode 4)在PVM（python virtual machine)上执行bytecode，PVM实际是一个基于栈的虚拟机。
其中，前3个阶段看文件代码量，一般就ms级别的消耗，如果你不想浪费，可以使用python -O -m py_compile xx.py命令，
将xx.py先编译为xx.pyo的字节码，然后在调用python xx.pyo执行. PVM你可以简单的想象为一个C语言写的函数，裏面有一个非常大的switch，
根据不同的bytecode内容，执行不同的动作。比如遇到一个打开文件指令，这个函数就会调用libc的库函数，执行c语言的打开文件操作。
其实很多操作python bytecode和c语言之间的性能差异很小的，因为Python的很多功能模块就是直接执行C库的。
再次，随着Python的广泛应用，CPython解释器的性能问题确实越来越严重，特别是数据挖掘，机器学习领域的日趋火热，其中很多优秀工具的实现
都是用Python来做的。为了解决这个问题，Python社区提出了多种不同的解释器，比如针对数值计算的numba，用python实现的python解释器pypy等。
他们的主要目的就是给Python加速，用到的技术有JIT，LLVM。比如numba为python提供了新的decorator，让python函数能在运行时
通过llvm库被翻译成machine code。而CPython的现在主要的目的就变为一个Python解释器的范本，就是提供一个稳定可靠的功能最全的解释器实现参考。
另外，如果某个用Python实现的功能模块的性能很关键，你可以把这个模块先用Cython翻译成C语言代码，然后在编译为可执行程序。当然用Cython，
你也可以在python中更加方便的调用外部C库，保证整个系统的性能。所以，很多Python系统的执行会越来越快，但并不是Python快了，而是后面的支持
越来越强大了。
最后，Python就是和Java类似的一门语言，不要把他理解为是一种脚本。刚开始把他理解为脚本，可能是因为python提供了一个命令行工具，让人可以输入
python代码，并立刻见到结果。其实，这只不过python给你提供的一个优秀的工具之一而已。Python在各个领域的使用越来越广泛，开源资源也越来越多：
1. 大规模分布式计算disco，提供和hadoop类似的maprece模型 htt p:/ /discoprojec t.o rg/
2. 科学计算/可视化 numpy,scipy, matplotlib
3. 数据挖掘orange, sci-kit learn scikit-learn.sourceforg e.n et
4. Web开发 django project
所有IT领域，基本都能找到Python的痕迹。
说了这麼多，举一个文本处理的例子，就是计算文本中第3列数据的和，来看看Python的功力，特别是性能方面的问题，
对比参考就是awk神器，其实拿awk做对比不是很公平，毕竟awk是优化再优化的工具（没动力看他的实现，我猜的：）），
应该自己写个c语言版本的。
样本文件有1000万行，格式如下：
data.txt:
d0 sp 0
d1 sp 1
d2 sp 2
d3 sp 3
d4 sp 4
d5 sp 5
d6 sp 6
d7 sp 7
d8 sp 8
d9 sp 9
先看awk的结果：
$ time cat data.txt |awk '{ sum+=$3} END {print sum}'
49976634308700
real 0m3.662s
user 0m3.576s
sys 0m0.240s
1000万行3秒，效率果真高。
再看Python的，我做了四个版本。
Python代码版本（1）：
import sys
def data_sum():
datasum = 0
for line in sys.stdin:
raw = line.split()
datasum += int(raw[2],10)
print datasum
if __name__ == "__main__":
data_sum()
Python代码版本（2）：
import sys
def data_sum():
datasum = 0
for line in sys.stdin:
raw = line.split()
datasum += int(raw[2])
print datasum
if __name__ == "__main__":
data_sum()
Python代码版本（3）：
def data_sum():
datasum = 0
for line in sys.stdin:
datasum += int(‘2’，10)
print datasum
if __name__ == "__main__":
data_sum()
Python代码版本（4）：
import sys
def data_sum():
datasum = 0
for line in sys.stdin:
raw = line.split()
print datasum
if __name__ == "__main__":
data_sum()
版本（1）执行结果：
首先将python代码编译成字节码，运行看看
$python -O -m py_compile datasum.py
$ time cat data.txt |python datasum.pyo
49976634308700
real 0m7.151s
user 0m7.088s
sys 0m0.192s
再试试直接运行python代码
$ time cat data.txt |python datasum.py
49976634308700
real 0m7.323s
user 0m7.228s
sys 0m0.212s
两种方法大概有个毫秒级别的差异，主要消耗在cpython把python代码翻译成ast阶段，感兴趣可以自己编译一个cpython验证下。
还有pypy，看看他的JIT和stackless效果如何。
$ time cat data.txt | pypy-c datasum.py
49976634308700
real 0m4.649s
user 0m4.556s
sys 0m0.224s
怎样？比awk版本就慢了1秒钟。我已经非常满意了。下面再试试其他版本，顺便看看到底Python慢在了哪裏。
版本（2）：
$ time cat data.txt |python datasum.py
49976634308700
real 0m9.111s
user 0m9.025s
sys 0m0.220s
$ time cat data.txt | pypy-c datasum.py
49976634308700
real 0m4.694s
user 0m4.588s
sys 0m0.248s
版本（2）直接就比版本（1）慢了2秒。就差了一个base参数而已，原因看下Cpython的代码就清楚了（Python/bltinmole.c）。
加了base的，直接调用： x = PyOS_strtol(s, &end, base);
不加base的，要通过PyNumber_Int等一列内部类型处理函数，最后到达PyOS_strtol。
版本（3）：
$ time cat data.txt |python datasum.py
20000000
real 0m3.127s
user 0m3.044s
sys 0m0.188s
$ time cat data.txt | pypy-c datasum.py
20000000
real 0m2.393s
user 0m2.320s
sys 0m0.196s
版本（4）：
$ time cat data.txt |python datasum.py
0
real 0m3.920s
user 0m3.852s
sys 0m0.180s
$ time cat data.txt | pypy-c datasum.py
0
real 0m3.324s
user 0m3.208s
sys 0m0.252s
通过对比版本（3）和版本（4）可以发现，Python主要慢在了split函数这裏，也就是提取第3列这个动作上。
初步想想，用C语言确实可以做到速度更快，但用Python没想到什么好办法，正则表达式会更慢。
上面都是用Python的解释器来执行代码的，下面把版本（1）用Cython编译成C语言，看看效果如何：
$ cython --embed -o datasum.c datasum.py
$ gcc -o datasum datasum.c -I/usr/include/python2.7 -lpython2.7
$ time cat data.txt |./datasum
49976634308700
real 0m6.332s
user 0m6.272s
sys 0m0.192s
比pypy还是慢了一些，pypy在代码生成上有些优化，cython基本就是translate。
总结下就是：
Python是快速原型开发的利器，如果你对性能有要求，那么就用他的各种优化他，Python不会辜负你的。
当你的领导/客户给你很大的deadline压力时候，Python就是你的救命草，呵呵。
当然，某些简单功能，比如本文的例子，用awk就可以了嘛，干嘛费力气优化python，:-)。