如何在Python中高效实现大循环内的整数累加操作

我完全理解你的困扰——Python在纯计算密集型的循环场景下确实比C慢很多，尤其是1亿次这种大规模循环。不过别担心，有几个简单的办法能把这个累加操作的速度提升几十甚至上百倍，下面给你详细说：

方案1：用Python内置sum()函数（最快最省心） #

Python的内置sum()函数是用C实现的，完全绕开了Python解释器的循环开销，效率直接拉满。把你的循环替换成这个内置函数就行：

from datetime import datetime
start_time = datetime.now()
total = sum(range(100000000))
end_time = datetime.now()
print(f'--- {end_time - start_time} seconds ---')
print(total)

实际测试下来，这个代码的耗时大概在0.1-0.2秒左右，比你原来的16秒快了80-160倍，甚至比你提到的C代码还要快一点。

方案2：用Numpy做向量化计算（适合更复杂的数值场景） #

如果之后你还要处理更复杂的数值运算，Numpy的向量化操作会是个好选择。它的底层也是C实现，数组存储和计算都比纯Python高效得多：

import numpy as np
from datetime import datetime

start_time = datetime.now()
arr = np.arange(100000000)
total = arr.sum()
end_time = datetime.now()
print(f'--- {end_time - start_time} seconds ---')
print(total)

这个方案的耗时和sum()差不多，甚至在更大规模的数据下会更有优势。

方案3：换用PyPy运行代码（接近C的性能） #

如果你不想改代码，只想提升速度，那试试用PyPy代替CPython。PyPy的JIT（即时编译器）会把频繁执行的Python代码编译成机器码，对于这种简单循环，能直接跑到接近C的速度——你的原代码用PyPy跑的话，耗时大概在0.5秒左右，和你提到的C代码0.43秒几乎持平。

为什么你的原代码这么慢？ #

顺便纠正一个小误解：你提到的“每次加法分配新内存”确实存在（Python的int是不可变对象，每次sum += i都会创建新的int实例），但这其实不是主要的性能瓶颈。真正拖慢速度的是Python解释器的循环开销——每次循环都要做变量查找、类型检查、字节码执行等一系列操作，1亿次循环下来，这些开销就会被无限放大。而上面的几个方案，要么绕开了Python循环，要么把循环交给了底层的C代码/机器码执行，自然快得多。

内容的提问来源于stack exchange，提问作者Pramod Kumar