pythonjit
java和python都是一种面向对象的语言。
Java是一种面向对象的语言，有着和C/C++近似的语法。它是动态链接，允许新的代码在运行时加载与运行，而不是动态类型的。Java的演变相对较慢，最近才合并了一些功能用以支持函数式编程。相对的这种语言和VM的哲学都是将向后兼容作为首要指令。
Python是完全面向对象的语言。函数、模块、数字、字符串都是对象。而且完全支持继承、重载、派生、多继承，有益于增强源代码的复用性。Python是建立一个可扩展的对象模型的常用语言。用于面向对象的设计并不意味着开发者用Python写代码时最常用的风格就是面向对象的风格，它同样支持过程式编程，模块化编程和某些方面的函数式编程。
想了解更多有关Java和Python的详情，推荐咨询达内教育。达内教育拥有1v1督学跟踪式学习有疑问随时沟通，企业级项目，课程穿插大厂真实项目讲解，对标企业人才标准制定专业学习计划，囊括主流热点技术，理论知识+学习思维+实战操作，打造完整学习闭环。达内教育实战讲师、经验丰富、多种班型供学员选择、独创TTS8.0教学系统，满足学生多样化学习需求。感兴趣的话点击此处，免费学习一下
2. Python在科学计算中和C比较，性能差距大吗
Python在科学计算中和C比较，性能差距大吗
numpy/scipy底层都是纯C的，性能不会比matlab差。scikit-learn, genism等都是建立在numpy/scipy之上。python只是提供了一个胶水层。另外纯python部分也可以再用pypy jit一下，性能相当可观
3. Python是一门怎样的编程语言
编程语言主要分为编译型和解释型，静态语言和动态语言，强类型和弱类型，混合语言等。
编译型语言：通过编译器把源代码编译（compile）成机器语言，在经过链接（linker）将源代码中所使用的库串联起来生成可执行二进制文件，这样运行时 计算机可以直接以机器语言来运行程序。优点：运行效率高。缺点：编译之后如果需要修改代码需要重新编译整个模块。编译的时候根据对应的运行环境生成机器码，不同的操作系统之间移植就会有问题，需要根据运行的操作系统环境编译不同的可执行文件，代表语言：C,C++,object-C等。
解释型语言：不需要编译，只在程序运行时才逐条翻译成机器语言。优点：跨平台支持比较好，缺点：程序运行效率会比较慢。如：python，php，Perl等。
动态语言：动态类型语言，是指数据类型，结构（如对象，函数）的检查是在运行时做的。用动态类型语言编程时，不用给变量指定数据类型，该语言会在你第一次赋值给变量时，在内部记录数据类型，结构。在运行代码时可以根据某些条件改变变量的数据类型，结构。也就是说在运行时代码 可以根据某些条件改变自身结构，数据类型。代表语言：python，PHP，C#等。
静态语言：静态类型语言，是指数据类型，结构的检查是在运行前（如编译阶段）做的，运行时结构不可变。代表语言：C，C++等。
强类型语言：如果某个变量的数据类型不经过强制转换，该变量类型是不会改变的。
弱类型语言：变量可以根据赋值类型调整自身的数据类型。
混合型语言：既然编译型和解释型各有缺点就会有人想到把两种类型整合起来，取其精华去其糟粕。就出现了半编译型语言。比如C#，C#在编译的时候不是直接编译成机器码而是中间码，.NET平台提供了中间语言运行库运行中间码，中间语言运行库类似于Java虚拟机。.net在编译成IL代码后，保存在dll中，首次运行时由JIT在编译成机器码缓存在内存中，下次直接执行。Java先生成字节码再在Java虚拟机中解释执行。严格来说混合型语言属于解释型语言。C#更接近编译型语言。
由此可知python语言是一门解释,动态,弱类型语言。
相关推荐：《Python视频教程》
python语言的优点：
1、python的定位是“优雅”、“明确”、“简单”，所以python程序看上去总是简单易懂，对于初学者容易入门。
2、开发效率高，python有非常强大的第三方库，基本上你想通过计算机实现任何功能，python官方库里都有相应的模块进行支持，直接下载调用后，在基础库的基础上进行开发，大大降低开发周期，避免重复造轮子。
3、高级语言，当使用python语言编写程序时，无需考虑如何管理内存等底层细节。
4、可移植性，由于它开源的本质，python已经被移植在许多平台上，如果你小心的避免使用依赖于系统特性，那么你的所有python程序无需修改就几乎可以在市场上所有的系统平台运行。
5、可扩展性，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，可以把部份程序用C或C++编写库，然后用python调用。
6、可嵌入式，可以把python嵌入到C/C++程序，从而向你的程序用户提供脚本功能。
python语言的缺点：
1、速度慢，由于是解释型所以运行速度相比编译型语言要慢，跟Java相比也要慢一些。
2、代码不能加密，因为python是解释型语言，它的源码都是以明文形式存放的，所以如果项目要求源代码必须保密或者加密，那一开始就不应该考虑用python来实现。
3、强制缩进，单行语句不用写分号对于习惯了C/C++用户可能不是太习惯。
4、Python2与 Python3不兼容，因为Python没有向后兼容，给所有的Python工程师带来了烦恼。
4. 想要加速numpy，只需在原来编写的python函数上面加@jit就可以吗有没有所谓的参数等
只需要在函数前使用单独一行，加
@jit
但并不是所有的函数都有效，主要是针对以python代码进行数学计算为主的函数。
5. python是哪个公司出的
是Google的吉多·范罗苏姆设计的。
Python是一种跨平台的计算机程序设计语言。作为一种面向对象的动态类型语言，它最初设计用于编写自动化脚本（shell）。随着版本的更新和新的语言功能的增加，它越来越多地被用于独立的、大规模的项目开发中。
python是一种表示简单化的语言。读一个好的python程序就像读英语一样。它使你能够专注于解决问题，而不是理解语言本身。
然而，根据二八定律，大多数程序不需要高速。在某些速度要求很高的情况下，Python设计师倾向于使用JIT技术，或者用使用C/C++语言改写这部分程序。可用的JIT技术是PyPy。
(5)pythonjit扩展阅读：
Python的创始人为荷兰人吉多·范罗苏姆。1989年圣诞节期间，在阿姆斯特丹，Guido为了打发圣诞节的无趣，决心开发一个新的脚本解释程序，作为ABC 语言的一种继承。
Python使用与C、Java类似的运算符，支持整数与浮点数的数学运算。同时还支持复数运算与无穷位数（实际受限于计算机的能力）的整数运算。除了求绝对值函数abs()外，大多数数学函数处于math和cmath模块内。前者用于实数运算，而后者用于复数运算。
6. Python几种并发实现方案的性能比较
1.目前推荐使用gevent吧，当然，结合起python的jit技术实现，可突破gil的限制，pypy还是可观的，内存上可能比cpython占用大些
7. 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，:-)。
8. 精通Python需要多长时间
我认为“精通”要满足如下条件：
熟知主流硬件体系（x86, x64）
熟知 CPython 的具体实现，如若可能至少通读源码三遍以上
熟知每条 Python bytecode 如何被解释执行
熟知每条 Python 语句如何 compile 成 bytecode
熟知 Python 主要数据结构所采用的优化手段
熟知 JIT 以及哪些场合下 PyPy 会比 CPython 有较大性能提高、以及有什么代价
所以我一直只敢称自己为 “中级 Pythonista”。对于那些仅仅知道怎么用 Python 就敢自称“精通”的人：专家不是那么好当的，没有金刚钻别揽瓷器活。不懂那么多底层细节就不要随便说自己“精通”，说自己“擅长”不会被人看不起。
@米嘉 引用的 StackOverflow 上列的那几项条件是作为将 Python 用于主要工作语言所需要的基本条件，敢于因此而称自己“精通 Python”要让不少人笑掉大牙。况且那几项还有几个严重问题：
第3点：如若可能，尽量避免 map/rece/fitler，而用 list/generator/set comprehension，代码要清晰得多，GvR 如此说。xrange 和 range 的区别在 Python 3 中马上就要滚蛋了，所以如非必要，不要大量使用 xrange。
第5点：敢于在 CPython 中大量使用递归是对 CPython 实现的公然侮辱。Python 的多个稳定实现都没有 TCO，递归会让性能迅速下降。记住一点：Python 中函数调用非常昂贵，可读性、可维护性影响不大的情况下，能展开函数调用的时候尽量展开、递归能转化成循环的尽量转化。递归也不是人类自然的思考方式。
第7点：看书是对的，但不要把 Python 当作一门经典函数式语言对待，因为它不是。你当它是，它会很痛苦（“为毛要这样滥用我！？”），你也会很痛苦（“为毛你不这样实现 blah blah！？”）。SICP 是本好书，但不要因此而教条。要清楚的知道什么时候用函数式，什么时候用面向对象，什么时候用面向过程，什么时候用面向任务，什么时候用面向结果。在一棵树上吊死是大多数非理性死忠的表现。
9. python是个什么东西
Python是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本（shell），随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。
Python的创始人为荷兰人吉多·范罗苏姆（GuidovanRossum）。1989年圣诞节期间，在阿姆斯特丹，Guido为了打发圣诞节的无趣，决心开发一个新的脚本解释程序，作为ABC语言的一种继承。
之所以选中Python（大蟒蛇的意思）作为该编程语言的名字，是取自英国20世纪70年代首播的电视喜剧《蒙提．派森的飞行马戏团》（MontyPython＇sFlyingCircus）。
(9)pythonjit扩展阅读：
python中文就是蟒蛇的意思。在计算机中，它是一种编程语言。Python（英语发音：／ˈpaɪθən／），是一种面向对象、解释型计算机程序设计语言，由GuidovanRossum于1989年底发明，第一个公开发行版发行于1991年。Python语法简洁而清晰，具有丰富和强大的类库。
它常被昵称为胶水语言，它能够把用其他语言制作的各种模块（尤其是C／C＋＋）很轻松地联结在一起。常见的一种应用情形是，使用Python快速生成程序的原型（有时甚至是程序的最终界面），然后对其中有特别要求的部分，用更合适的语言改写。
比如3D游戏中的图形渲染模块，性能要求特别高，就可以用C++重写。1发展历程编辑自从20世纪90年代初Python语言诞生至今，它逐渐被广泛应用于处理系统管理任务和Web编程。Python已经成为最受欢迎的程序设计语言之一。
网络-Python
10. Python离JIT还有多远
python追求的是编写程序的效率（或者说是解决问题的方法实现的效率），而不是计算速度！
所以python到jit还相当遥远！