python是一种动态类型，解释性的语言，对于很多开发者来说，python运行慢是众所周知的事情，其万物皆对象的特性，就是导致其运行慢的一个原因，下面将从三个方面来分析python慢的原因。
动态类型
Python是动态类型而不是静态类型的，这意味着，在程序执行时，解释器并不知道变量的类型。对C语言来说，编译器在声明变量的时候就知道其类型了；对Python来说，程序执行时只知道一个变量是某种Python对象。
对于下面的C代码
立即学习“Python免费学习笔记（深入）”；
int a = 1; int b = 2; int c = a + b;
编译器始终知道a和b是整型，在执行相加运算时，流程如下:
把
把
调用binary_add
把结果赋值给c
实现同样功能的Python代码如下：
a = 1 b = 2 c = a + b
相关推荐：《Python视频教程》
解释器只知道1和2是对象，但是并不知道这个对象的类型。所以解释器必须检查每个变量的PyObject_HEAD才能知道变量类型，然后执行对应的相加操作，最后要创建一个新的Python对象来保存返回值，大致流程如下：
第一步，把1赋值给a
1.设置a->PyObject_HEAD->typecode为整型
2.设置a->val = 1
第二步，把2赋值给b
1.设置a->PyObject_HEAD->typecode为整型
2.设置b->val = 2
第三步，调用binary_add
1.a->PyObject_HEAD获取类型编码
2.a是一个整型；值为a->val
3.b->PyObject_HEAD获取类型编码
4.b是一个整型，值为b->val
5.调用binary_add
6.结果为整型，存在result中
第四步，创建对象c
1.设c->PyObject_HEAD->typecode为整型
2.设置c->val为result
动态类型意味着任何操作都会涉及更多的步骤。这是Python对数值操作比C语言慢的主要原因
Python是解释型语言
上面介绍了解释型代码和编译型代码的一个区别。智能的编译器可以提前预见并优化重复或不需要的操作，这会带来性能的提升。编译器是一个大的话题，这里不会展开。
Python的对象模型会带来低效的内存访问
和C语言的整数对比时，我们指出了Python多了额外一层信息。现在来看看数组的情况。在Python中我们可以使用标准库中提供的List对象；而在C语言中我们会使用基于缓冲区的数组。
最简单的NumPy数组是围绕C数据构建的Python对象，也就是说它有一个指向连续数据缓存区的指针。而Python的list具有指向连续的指针缓冲区的指针，这些指针每个都指向一个Python对象，结合上面的例子，这些Python对象是一个整数对象。这个结构像下面这样
很容易看出，如果你正在执行按顺序逐步完成数据的操作，numpy的内存布局比Python的内存布局更为高效，无论是存储成本还是访问的时间成本。
