Optimisation

Python étant un langage interprété, il profite pleinement du fait que le temps d'exécution d'un programme coûte beaucoup moins cher que son temps de développement : le but est de créer des programmes le plus rapidement possible, tout en restant extrêmement lisible et maintenable.

Néanmoins des besoins d'optimisation peuvent survenir. Pour ce qui est des performances algorithmiques, Python permet d'exprimer simplement des algorithmes complexes et de comparer les performances de différentes approches, mais ne sera pas nécessairement la plateforme de choix pour faire tourner, in fine, lesdits algorithmes. Diverses approches ont été explorées pour offrir des accélérations, sous la forme d'implémentations alternatives, de compilation just-in-time, de traduction de code ou simplement d'optimisations. Il existe différentes techniques pouvant être utilisées, dont certaines sont capables d'atteindre les performances du langage C.

Voici un bref graphique comparatif de quelques benchmarks, afin de visualiser les différences potentielles entre les solutions mentionnées ci-dessus. L'unité est le temps mis par CPython sur chaque algorithme.

On constate que les possibilités d'accélération d'un code sont énormes avec Psyco qui est probablement l'une des solutions les plus efficaces actuellement. Stackless Python trouve tout son intérêt lors d'écriture d'applications multithread.