什么是 JIT
Python 是門多才多藝的語言，既可以寫后端，也可以做數據分析，既可以智能化運維，也可以搞滲透，既可以寫爬蟲，又可以做機器學習深度學習。然而，Python 的缺點也很明顯，它的速度有點慢。
我們從官方網站下載到的版本，默認是采用了 CPython 解釋器，它也是用得最廣的解釋器。以 CPython 為例，看看它的執行過程。 Pyhton 代碼（.py 文件）在運行時，解釋器把源代碼變為一組虛擬機指令，也就是“字節碼”（.pyc 文件）。這些字節碼指令，是運行在 Python 虛擬機上的。因為這些是運行在虛擬機的，自然而然就比 C/C++ 等可以編譯為機器碼的語言慢很多。當然，影響執行效率的因素還有很多，這里就不敘述。
如果對高性能有非常迫切的需求，最好的解決方案是用 C/C++ 。不過，C/C++ 的學習難度比 Python 大很多，不是那么容易。除了換編程語言外，還有個更為容易的方法，那就是 JIT。
Just-In-Time（JIT），也就是即時編譯，它為解釋語言提供了一種優化。通俗地來說，就是代碼在運行時，實時編譯為機器碼。這樣，程序就可以跳過虛擬機直接在硬件上運行，執行速度大幅提高。
JIT 技術在 Java 中使用非常廣泛。不過在 Python 中，以往 JIT 並不完善，聽說過的人很少。
下面就介紹兩種 Python 的解決方案。
Numba
Numba 是一個 開源的 JIT編譯器，采用了 LLVM。它支持 Python 的原生函數和 Numpy，可以在 x86、x86_64、ppc64、armv7l、armv8l 等架構上運行，支持 Windows、MacOS 和 Linux。
Numba 的使用非常簡單，無需更換 Python 的解釋器。舉一個簡單的例子，只需要在函數上加上一個裝飾器，Numba 就會自動將這些代碼編譯成機器碼：
from numba import jit
import random
@jit(nopython=True)def monte_carlo_pi(nsamples):
acc = 0
for i in range(nsamples):
x = random.random()
y = random.random()
if (x ** 2 + y ** 2) < 1.0:
acc += 1
return 4.0 * acc / nsamples
PyPy
PyPy 是 Armin Rigo開發的動態編譯器，基於 Trace 的 JIT 技術，對源碼進行動態編譯（不是動態解釋），可以顯著提高執行速度。它歷史非常悠久，1.0 版本在 2007 年發布。目前支持大多數標准庫，在 Python 2.7 和 3.6 上都能使用。它可以在 x86、x86_64、ARMv6、ARMv7、AArch64PowerPC 64bit、System Z 等架構上運行，支持 Linux、MacOS、Windows、OpenBSD、FreeBSD 等系統。不過，在非 x86 架構上，它只能支持 Linux。
但它有個缺點，那就是不支持支持官方的 CPython，因而無法使用 Numpy、Scipy 等常用的重要第三方庫。另外，PyPy 在使用上與 CPython有些不同，具體可看 https://doc.pypy.org/en/latest/cpython_differences.html ，需要注意。
總結
Python 的 JIT 技術還不是很完善，但 Numba 已經可以滿足一大部分的計算需要。至於 PyPy，個人而言不太推薦。感興趣的不妨試試 Numba。