PyPy相对Python性能加速的编程规则咨询

PyPy的性能优势来自JIT（即时编译器），它对纯Python循环密集型代码优化效果显著，但对依赖动态特性、C扩展的代码加速有限。结合你的测试情况，以下是编写代码时的核心规则：

一、优先让代码适配JIT优化 #

• 聚焦纯Python循环逻辑：PyPy的JIT最擅长优化循环密集、无外部依赖的纯Python代码（比如数值计算、列表/字典的批量处理）。如果核心逻辑是这类代码，性能提升会非常明显；反之如果主要调用C扩展库（如旧版numpy、C实现的加密库），PyPy的加速效果会很有限，甚至不如CPython。
• 减少动态类型突变：JIT依赖稳定的类型推断，避免在循环内频繁给变量赋值不同类型（比如一会是int，一会是str），也不要在循环里修改函数属性、使用exec/eval、动态导入模块——这些操作会让JIT无法生成高效的机器码。
• 封装代码到函数中：PyPy对函数内部的代码优化远优于脚本顶层代码。把核心逻辑封装成函数，而非直接写在脚本全局作用域，能让JIT更好地跟踪类型和执行路径。

二、数据结构与语法选择 #

• 优先用内置数据结构：PyPy对list、dict、set、tuple这些内置类型做了深度优化，性能远高于自定义类或第三方复杂结构。比如用tuple代替简单的自定义数据类，用dict存储键值对而非手写属性类，能获得更好的加速效果。
• 规避CPython专属特性：PyPy对部分CPython特性的支持或优化不足，比如：
  • 不要过度依赖__slots__：PyPy的对象模型本身已优化内存和访问速度，__slots__带来的收益远不如CPython。
  • 避免用ctypes直接调用C函数：PyPy对ctypes的支持有限，性能不如CPython，尽量用纯Python实现替代。
• 高效处理字符串：频繁拼接字符串时用str.join()代替+，+会反复创建新字符串，而join能一次性分配内存，PyPy下这个差异会被进一步放大。

三、避免拖慢性能的操作 #

• 减少全局变量依赖：全局变量的类型可能被外部代码修改，JIT难以做稳定推断。尽量把变量放在函数内部，用参数传递代替全局访问。
• 避免循环内的冗余操作：把类型转换、对象创建（比如str()、list()）这类操作移到循环外部，不要在循环里重复执行。
• 谨慎使用装饰器：避免用会动态修改函数行为的装饰器（比如每次调用返回不同函数对象），这类操作会破坏JIT的优化路径。如果要用装饰器，尽量选择静态、无副作用的实现。

四、其他注意事项 #

• IO密集型代码无需期待大幅加速：PyPy对IO操作（文件读写、网络请求）的优化和CPython接近，因为IO本身是阻塞操作，JIT无法优化这部分逻辑，所以这类场景性能提升不明显是正常的。
• 针对性做基准测试：不同代码场景的优化点不同，像你之前做的那样，用计时语句或timeit模块定位性能瓶颈，再针对性调整代码。比如如果某段循环加速不明显，检查是否有动态特性或C扩展调用拖慢了JIT。

内容的提问来源于stack exchange，提问作者Marino Segnan