用 Python 做科学计算，但是被 Python 的运行速度所困扰。矩阵运算也很慢，想征求下大家的建议。有什么优化 Python 科学计算的方法么？

　　py科学计算用的不太多。也就是最近天天跑数据分析。我简单说自己的一些基本经验给比我还菜的新手，抛砖引玉

　　一：学会正确使用numpy scipy。 numpy scipy写好的绝不自己写，比如矩阵运算等操作，pylab的实现还算不错。各种函数都有，尽量使用他们可以避免初学者大部分的速度不足问题。因为这些函数大部分都是预编译好的。

　　根据我几年前的测试，python的矩阵运算速度并不慢，(因为你运行的是动态链接库里面的函数而不是脚本)比mathematica快，和matlab持平。

　　大部分新手不擅长看文档啥都自己造轮子是不好的。当然老手把效率写的比开源库高也不算啥新闻，毕竟有对特定程序的优化

　　二：减少for的使用，多使用向量化函数，np.vectorlize可以把函数变成对数组逐元素的操作，比for效率高几个华莱士。

　　三：对内存友好，操作大矩阵的时候减少会引起整矩阵对此copy的操作

　　四：系统最慢的大部分时候是io，包括上面说的内存操作和频繁的读入读出以及debug输出。避免他们，在需要实时处理的时候引入类似于gpu的pipeline管线机制或者使用灵活的多线程编程可以起到奇效。

　　五：matplotlib的绘图效率并不高明，在使用交互绘图(plt.ion)的时候减少不必要的刷新率。

　　六：程序对jit(运行前编译)友好，避免频繁的改动数据类型引起的繁杂类型推导(不过很少见科学计算程序有这个毛病)

　　七：要不然，干脆把python用cython之类的玩意编译了吧。。但在科学计算上我觉得这样做卵用不大。

　　科学计算最好应该还是使用gpu加速，但关于py如何使用cuda/opencl加速我不太懂。还望后面的朋友补充。一些基本的经验就这些，应该是入门者都懂了…