原因：1、python是動態(tài)語言;2、python是解釋執(zhí)行，但是不支持JIT;3、python中一切都是對象，每個對象都需要維護引用計數(shù)，增加了額外的工作。4、python GIL;5、垃圾回收。

　　當我們提到一門編程語言的效率時：通常有兩層意思，第一是開發(fā)效率，這是對程序員而言，完成編碼所需要的時間;另一個是運行效率，這是對計算機而言，完成計算任務所需要的時間。編碼效率和運行效率往往是魚與熊掌的關(guān)系，是很難同時兼顧的。不同的語言會有不同的側(cè)重，python語言毫無疑問更在乎編碼效率，life is short，we use python。

　　雖然使用python的編程人員都應該接受其運行效率低的事實，但python在越多越來的領(lǐng)域都有廣泛應用，比如科學計算 、web服務器等。程序員當然也希望python能夠運算得更快，希望python可以更強大。

　　首先，python相比其他語言具體有多慢，這個不同場景和測試用例，結(jié)果肯定是不一樣的。這個網(wǎng)址給出了不同語言在各種case下的性能對比，這一頁是python3和C++的對比，下面是兩個case：

　　從上圖可以看出，不同的case，python比C++慢了幾倍到幾十倍。

　　python運算效率低，具體是什么原因呢，下列羅列一些：

　　第一：python是動態(tài)語言

　　一個變量所指向?qū)ο蟮念愋驮谶\行時才確定，編譯器做不了任何預測，也就無從優(yōu)化。舉一個簡單的例子：　r = a + b�！�a和b相加，但a和b的類型在運行時才知道，對于加法操作，不同的類型有不同的處理，所以每次運行的時候都會去判斷a和b的類型，然后執(zhí)行對應的操作。而在靜態(tài)語言如C++中，編譯的時候就確定了運行時的代碼。

　　另外一個例子是屬性查找，關(guān)于具體的查找順序在《python屬性查找》中有詳細介紹。簡而言之，訪問對象的某個屬性是一個非常復雜的過程，而且通過同一個變量訪問到的python對象還都可能不一樣(參見Lazy property的例子)。而在C語言中，訪問屬性用對象的地址加上屬性的偏移就可以了。

　　第二：python是解釋執(zhí)行，但是不支持JIT(just in time compiler)。雖然大名鼎鼎的google曾經(jīng)嘗試Unladen Swallow 這個項目，但最終也折了。

　　第三：python中一切都是對象，每個對象都需要維護引用計數(shù)，增加了額外的工作。

　　第四：python GIL，GIL是Python最為詬病的一點，因為GIL，python中的多線程并不能真正的并發(fā)。如果是在IO bound的業(yè)務場景，這個問題并不大，但是在CPU BOUND的場景，這就很致命了。所以筆者在工作中使用python多線程的情況并不多，一般都是使用多進程(pre fork)，或者在加上協(xié)程。即使在單線程，GIL也會帶來很大的性能影響，因為python每執(zhí)行100個opcode(默認，可以通過sys.setcheckinterval()設置)就會嘗試線程的切換，具體的源代碼在ceval.c::PyEval_EvalFrameEx。

　　第五：垃圾回收，這個可能是所有具有垃圾回收的編程語言的通病。python采用標記和分代的垃圾回收策略，每次垃圾回收的時候都會中斷正在執(zhí)行的程序，造成所謂的頓卡。infoq上有一篇文章，提到禁用Python的GC機制后，Instagram性能提升了10%。