为Python正名：谈话本身不是瓶颈，可能是内部资源出了成绩

Python 作为一种简单、易于掌握的编程谈话，虽然在运用过程中存在短板，但也受到很多人的青睐。Python 真的很慢吗？这必要具体成绩具体分析。和 C 等编译型谈话相比，Python 在处置数字方面速度确实很慢。这也从侧面说明了 Python 中加快数字处置的库（如 numpy）为什么如此重要了。但是，Python 是不是在所有用例上都比其他编程谈话慢呢？并非如此，如果了解一下为解决特定成绩而优化的许多 Python 库的性能基准测试，你就会发现 Python 比编译型谈话做得好。以 FastAPI 性能基准为例，FastAPI 是一个用于构建 API 的现代、快速（高性能）的 web 框架，运用 Python 3.6+ 并基于标准的 Python 类型提示。Go 谈话显然比 Python 快，不过，FastAPI 在构建 REST API 方面胜过了 Go 的一些库：

Web 框架基准测试，不包括 C++ 和 Java web 框架。同样，在比较 Dask（运用 Python 编辑）与 Spark（运用 Scala 编辑）处置数据密集型神经成像 pipeline 时，结果表明这两个引擎之间没有实质的性能差异。代码速度 VS 实用性从实用的角度来看，在为日常职业选择编程谈话时，必要回答多个不同的成绩。成绩 1：这种谈话能够可靠地解决多项业务成绩吗？如果你只关心速度，那么不要用 Python，各种用例都有更快的替代方案。Python 的主要优点在于可读性、易用性和可解决大量成绩。Python 可以作为粘合剂，将不同的系统、服务和用例连接在一起。成绩 2：你能找到足够多懂这门谈话的员工吗？Python 易于学习和运用，因此用户数量不断增长。以前运用 Excel 处置数字业务的用户，现在可以很快学会用 Pandas 编辑代码，从而学会在不依赖 IT 资源的情况下实现自给自足。同时，这也缓解了 IT 和分析部门的负担。如今，企业更容易找到会 Python、并能用这种谈话维护 Spark 数据处置应用程序的数据工程师，而不是用 Java 或 Scala 做同样职业的人。许多组织在很多用例中逐渐转向运用 Python，因为懂 Python 的员工更容易找到。相比之下，一些公司迫切必要 Java 或 C# 开发人员来维护他们现有的应用程序，但这些谈话很难（必要数年才能掌握），而且对于新手程序员来说似乎没有吸引力，他们可能运用更简单的谈话（如 Go 或 Python）在职业中挣到更多的钱。成绩 3：不同领域专家之间的协同效应如果你的公司运用 Python，那么业务用户、数据分析师、数据科学家、数据工程师、后端和 web 开发人员、运维工程师甚至系统管理员很可能运用同一种谈话。这将在项目中产生协同效应，来自不同领域的人可以一起职业并利用相同的工具。数据处置的真正瓶颈是什么？在平时的职业中，通常我们遇到的瓶颈不是谈话本身，而是内部资源。让我们看几个例子。示例 1：写入关系型数据库当以 ETL 方式处置数据时，最终我们必要将这些数据加载到某个集中的地方。虽然我们可以利用 Python 中的多线程，更快地将数据写入某些关系型数据库，但并行写入次数的增加可能会使该数据库的 CPU 容量达到极限。这意味着 Python 具备并行化和加快操作的机制，但是关系型数据库（受 CPU 核数的限制）有其局限性，仅通过更快的编程谈话很难解决。示例 2：调用内部 API另一个例子是运用内部 REST API，以提取数据来满足数据分析需求，这一案例中谈话本身似乎并不是瓶颈。虽然我们可以利用并行加快来提取数据，但这可能是徒劳的，因为许多内部 API 限制了在特定时间段内发出请求的数量。因此，我们会故意让脚本变慢，以确保不会超过 API 的请求限制：time.sleep(10)示例 3：处置大数据从处置超大数据集的经验来说，无论用什么谈话你都不能直接用笔记本内存来负载大数据。这种情况下，你必要利用 Dask、Spark、Ray 等分布式处置框架。在运用单个服务器实例或者笔记本时，处置的数据量存在限制。如果你想把实际的数据处置职业转移到一个计算节点集群中，甚至运用 GPU 来加快计算，Python 恰好有一个庞大的框架生态系统，使这个任务变得更容易：你是否想用 GPU 来加快数据科学的计算速度？运用 PyTorch、TensorFlow、Ray 或 Rapids（甚至 SQL – BlazingSQL）。你是否想加快 Python 代码处置大数据的速度？运用 Spark（或 Databricks）、Dask 或 Prefect。你是否想加快数据分析的处置速度？运用快速的专用内存列数据库，通过运用 SQL 查询确保高速处置。此外，如果你必要协调、监测计算节点集群上发生的数据处置，你有 Apache Airflow、Prefect 或 Dagster 等多个 Python 职业流管理平台可供选择，它们可以加快数据 pipeline 的开发和维护。顺带提一下，一些人可能会抱怨 Python 没有充分利用其能力或者未对手头成绩运用合适的数据结构。总而言之，如果你必要快速处置大量数据，那你更必要的是计算资源而不是快速的编程谈话，而且一些 Python 库能够轻松实现在数百个节点上的分布式职业。原文链接：https://towardsdatascience.com/is-python-really-a-bottleneck-786d063e2921

Powered by Froala Editor