1樓：Sager
避免使用for迴圈。
備註：能用Series，Dataframe，矩陣運算的千萬不要使用for迴圈。也可以結合Python的列表解析和生成器表示式取代for迴圈。
2樓：陳樂群
3樓：劉天亮
用multiprocessing。如果沒記錯的話模組應該叫這個名字，跑程式的時候可以把需要大量計算的東西拆成幾小份。然後分發給每個程序。
這樣也算是能變相使用多程序吧。不過這個東西不太好用，應用範圍也挺窄的。別人說的很多看樣子都挺好的。
走投無路的時候可以試試這種多程序方法。
4樓：LEX
看了上面所有的回答不是c就是fortran 我只想問句你處理的專案的是linear 還是nonlinear 科學計算裡不能撇開matrices的特點談語言
5樓：回歸猴子
python因為所有東西都是物件。。所以box/unbox會耗時間。。然後gil所以同時只能解釋單執行緒。。
所以想加速。。
1。numpy的array可以理解為整個array是單一box。。所以盡量整體操作會節約時間。
2。把計算intensive的部分放到其他語言裡寫：首先是python/c的api。。不過這樣寫程式就沒有寫python那麼快了。 所以cython也是乙個不錯的選擇。。
3。另外針對gil 也是一樣的道理可以考慮把計算分給不同的py程式去完成（分資料集，分任務這樣），這樣就可以並行了；另外呢，2的方法也能解決這個問題。
4。有個東西叫numba。。numba.jit算是價效比最高的無腦優化了（不過好像影響精度）。。
6樓：
py科學計算用的不太多。也就是最近天天跑資料分析。我簡單說自己的一些基本經驗給比我還菜的新手，拋磚引玉
一：學會正確使用numpy scipy。 numpy scipy寫好的絕不自己寫，比如矩陣運算等操作，pylab的實現還算不錯。
各種函式都有，盡量使用他們可以避免初學者大部分的速度不足問題。因為這些函式大部分都是預編譯好的。
根據我幾年前的測試，python的矩陣運算速度並不慢，(因為你執行的是動態鏈結庫裡面的函式而不是指令碼）比mathematica快，和matlab持平。
大部分新手不擅長看文件啥都自己造輪子是不好的。當然老手把效率寫的比開源庫高也不算啥新聞，畢竟有對特定程式的優化
二：減少for的使用，多使用向量化函式，np.vectorlize可以把函式變成對陣列逐元素的操作，比for效率高幾個華萊士。
三：對記憶體友好，操作大矩陣的時候減少會引起整矩陣對此copy的操作
四：系統最慢的大部分時候是io，包括上面說的記憶體操作和頻繁的讀入讀出以及debug輸出。避免他們，在需要實時處理的時候引入類似於gpu的pipeline管線機制或者使用靈活的多執行緒程式設計可以起到奇效。
五：matplotlib的繪圖效率並不高明，在使用互動繪圖（plt.ion）的時候減少不必要的重新整理率。
六：程式對jit（執行前編譯）友好，避免頻繁的改動資料型別引起的繁雜型別推導（不過很少見科學計算程式有這個毛病）
七：要不然，乾脆把python用cython之類的玩意編譯了吧。。但在科學計算上我覺得這樣做卵用不大。
科學計算最好應該還是使用gpu加速，但關於py如何使用cuda/opencl加速我不太懂。還望後面的朋友補充。一些基本的經驗就這些，應該是入門者都懂了…
在科學計算方面，Python已經超過MATLAB了麼？
為什麼一定要分出個誰超越誰，根據具體問題，哪個快用哪個。至少在CFD領域，不可能，開玩笑呢 我覺得插值 求導 優化，常用的演算法兩種有區別嗎？兩者應用側重不同吧。Python在不用numba或cython的情況下，比MATLAB慢太多了。科學計算的將來是Julia。解大規模線性方程組numpy裡面的...
電腦科學與技術和計算機及應用有哪些差別？
恕我孤陋寡聞了。在我個人印象中，電腦科學與技術 CST 是本科專業，只在本科類院校報考書上看到過。計算機應用，大專專業吧。我表哥讀的就是這個，三年制，出來之後找不到啥工作。本科專業和專科專業的區別不用我多說了吧？另，計科的性質是偏學術型的，也修程式設計，可以說是軟體型計算機專業的老祖宗了，什麼都學。...
計算化學，有 Python 基礎還有必要學習 MATLAB 麼？
學姐吖 如果您有python基礎，matlab不是特別需要學習，看看別人怎麼寫，記住一些重要的函式，就能用了。我建議是用matlab做測試，做一些簡單的 大玥玥 matlab屬於那種軟體，不怎麼需要程式設計功底，裡面語言很容易上手，裡面好多任務具箱，基本的資料處理問題都能處理了，我一般喜歡用它做資料...