Psyco令人惊叹when it works。但是，如果没有转向32位版本的Python，看起来我们不会得到64位版本anytime soon。是否有任何替代psyco可以加速CPU绑定的一般python代码？
答案 0 :(得分：5)
答案是使用PyPy代替。来自http://psyco.sourceforge.net/introduction.html：
我2006年的计划是将Psyco中实施的技术移植到PyPy。
二月份的PyPy blog post：
...亮点和pypy的状态：
*大多数Python基准测试的运行速度比CPython或Psyco更快 *现实世界的PyPy编译器工具链本身（200个KLocs）的运行速度是原来的两倍 *支持x86 32和64bit，正在支持ARM
...
答案 1 :(得分：2)
PyPy并不是Psyco的一个方便替代品，只是为了提高瓶颈代码的速度。它的另一个生态系统。
使用PyPy有许多含义，为更大的项目提出了许多兼容性问题，并且是一个普遍的决定：它意味着切换到一个完全不同的Python实现远离引擎盖和＆amp; Python领导者开发人员的质量保证水平。 PyPy在大多数真正的单词项目中的速度提升相当over-hyped。初步执行需要很长时间。内存占用空间巨大且难看。所提出的基准是选择＆＃34;。并且总是有一些项目所需的库，或GUI /服务器/ IDE /调试问题，它们会完全停止显示，或者使开发和放大倍增。调试时间。速度增加很难预测，很难通过聚焦来调整。没什么好感觉的。
今天在CPython中加速瓶颈代码的成熟替代方案是Cython和numba。 （还有其他＆＃34; mayflies＆＃34; here）
Numba ，一个用于CPython的JIT编译器库（和Psyco一样），专注于数字代码。只需在瓶颈函数上放置一个jit函数装饰器，它就能提供令人印象深刻的速度提升（10..200x，超过psyco / PyPy）。它开箱即用，并与numpy阵列结合使用！ （与Psyco不同）;然而到目前为止，Numba没有做任何事情，甚至放慢了其他正常的python代码，这些代码主要适用于对象属性，字符串片段，通用列表，dicts等。（最糟糕的是：速度为0.04倍，比Psyco差）。与Psyco不同，Numba是一个巨大的安装，并且导入缓慢（绘制numpy）。但它也可以从选定的函数创建预编译的静态模块，然后不再需要numba安装进行部署（类似于Cython）。
Cython ，Python＆amp; C类混合语言静态编译器（Python语言的超集）采用C编译器管道并生成DLL模块，通常通过将一些瓶颈函数重构为单独的模块来使用。 但即使未更改的更大的Python模块是Cython编译，这通常会产生大约2倍的速度增益，只是如此＆＃34;免费＆＃34;！然而，那些编译的DLL模块明显大于.pyc / .pyo-s。 Cython所以说Python字节代码展开成直接的C函数调用。它对常量等做了一些进一步的优化。 （Wheezy.web的pip安装，例如默认情况下，在没有警告的情况下以无耻的方式Cython化其所有代码 - 这使得在开发过程中调试和检查变得困难）
除了＆＃34;免费＆＃34;通过将一些Cython静态类型声明放入热点Python代码中，可以通过相当简单的方式实现未改变代码的速度增益，进一步的巨大速度增加（接近C速度），特别是对于数字/数组代码和一些OO工作。 C速度字符串处理需要更多涉及的编码。
Cython允许通过专注于瓶颈并使用Cython类型以细粒度方式无缝调整代码来持续提高C速度。这是一种独特的力量，并且比Psyco，Numba和PyPy（因为它）具有更大的潜力。它是一个成熟的选择，没有死路。