原因：1、python是动态语言；2、python是解释执行，但不支持JIT；3、python中的一切都是对象，每个对象都需要维护引用计数，以增加额外的工作。4、python GIL；5、垃圾回收。

当我们提到编程语言的效率时：通常有两层含义，一是开发效率，这是程序员完成编码所需的时间；另一种是操作效率，这是计算机完成计算任务所需的时间。编码效率和操作效率往往是鱼和熊掌之间的关系，很难同时考虑。不同的语言会有不同的焦点，python语言无疑更关心编码效率，life is short，we use python。

虽然使用python的编程人员应该接受其运行效率低下的事实，但python在越来越多的领域得到了广泛的应用，如科学计算 、web服务器等。程序员当然也希望python能更快地操作，python能更强大。

首先，与其他语言相比，python的速度有多慢，不同的场景和测试用例的结果肯定是不同的。该网站在各种case下对不同语言的性能进行了比较。本页是python3和C++之间的比较。以下是两个case：

从上图可以看出，不同的case，python比C++慢了几倍到几十倍。

python操作效率低的具体原因是什么？以下是一些列表：

第一：python是动态语言

只有在运行过程中确定变量指向对象的类型，编译器无法做出任何预测，也无法优化。举个简单的例子：　r = a + b。　A和B加起来，但是A和B的类型只有在运行的时候才知道。对于加法操作，不同的类型有不同的处理方法，所以每次运行都会判断A和B的类型，然后执行相应的操作。在C++等静态语言中，操作代码是在编译时确定的。

另一个例子是属性搜索，在python属性搜索中详细介绍了具体的搜索顺序。简而言之，访问对象的属性是一个非常复杂的过程，通过相同的变量访问的python对象可能会有所不同（见Lazy） property的例子)。在C语言中，访问属性可以使用对象的地址和属性的偏移。

第二：python是解释执行，但不支持JIT（just in time compiler）。尽管著名的google曾尝试过Unladen Swallow 这个项目，但最后也折了。

第三：python中的一切都是对象，每个对象都需要维护引用计数，以增加额外的工作。

第四：python GIL，GIL是Python最受批评的一点，因为GIL和Python中的多线程并不能真正并发。如果是在IO bound的业务场景，这个问题不大，但在CPU BOUND的场景非常致命。因此，作者在工作中使用python多线程的情况并不多，通常使用多过程（pre fork），或者添加协程。即使在单线程中，GIL也会带来很大的性能影响，因为Python每执行100个opcode(默认情况下，可以通过sys.setcheckinterval()设置)将尝试在ceval中切换线程，具体源代码.c::PyEval_EvalFrameEx。

第五：垃圾回收，这可能是所有垃圾回收编程语言的常见问题。python采用标记和分代的垃圾回收策略。每次垃圾回收时，正在执行的程序都会中断，导致所谓的顿卡。infoq上有一篇文章，在提到禁用python的GC机制后，instagram的性能提高了10%。感兴趣的读者可以仔细阅读。

推荐课程:Python机器学习(Mooc礼欣，嵩天教授)