不可否认，如果程序编写不当或者选择的类库不合适，Python的运算速度确实可能很慢。但如果了解了提高Python性能的技巧，则Python可以在几乎任何领域都表现出高性能，常见的方法是使用高性能类库和多CPU线程并行计算。从下面的几个典型的例子可以看出，进行海量计算时，为提高计算性能而需要注意的一些问题。

以大数据分析领域中的金融分析为例，其常见任务是重复性地进行复杂公式的计算。Python语言本身提供了实现这些任务的函数，例如计算下面的2 500万次数学公式的程序：

上面代码使用基础Python函数计算了2 500万次3log（x）+cos（x）2，耗时22.6秒。

使用numpy类库，也可以完成上述的任务，其实现代码如下：

import numpy as np

loops=25000000

a=np.arange(1，loops)

%timeit r=3*np.log（a）+np.cos（a）**2 #此语句在anaconda的console窗口[in]后输入

1 loops，best of 3：979 ms per loop

程序运行耗时979毫秒，计算速度得到了飞跃性的提高。这是由于numpy对计算进行了优化处理，所以性能必定优于基础Python。

除了numpy外，还有一些类库更具针对性。例如numexpr（Numerical Expression，数值表达式），它改善numpy通用功能的性能，避免程序执行期间数组在内存中复制，且可以方便地设置线程数而完成并行计算，达到提高计算性能的目的。

import numexpr as ne

import numpy as np(www.daowen.com)

ne.set_num_threads（1） # 使用一个线程

loops=25000000

a=np.arange(1，loops)

f=ˈ3*log(a)+cos(a)**2ˈ

%timeit r=ne.evaluate（f） #此语句在anaconda的console窗口[in]中输入

1 loops，best of 3：657 ms per loop

使用numexpr后，使程序的运行时间降低至657毫秒。

上面程序代码中，只使用了一个线程[语句ne.set_num_threads（1）]。目前，很多的PC机都提供多核、多线程支持。将上述程序中设置线程的语句修改为：

ne.set_num_threads(4)

即可使用4个线程，在同一台电脑上，耗时进一步缩减为323毫秒。

从上面的例子可以看出，对于同一个任务，用基础Python需要耗时22.6秒，但通过使用合理的类库进行优化，最终可以实现提升速度70倍，用0.32秒完成。特别值得关注的是，这种性能的改善，并不需要编程者了解有关编译、并行计算等专业化的编程知识，即使非计算机专业人士也可方便实现。