为什么越来越多以前在 Fortran 中执行的时间要求严格的科学计算现在用 Python 这种速度较慢的语言编写？
Python 以速度慢着称，即比 Fortran、C 或 Rust 等编译语言慢得多。普通的 Python 比 Fortran 慢得多。
然而，这种比较毫无意义，因为 Python 的科学用途并不依赖于普通的 Python。相反，Python 被用作粘合层，依赖于编译的优化包，将它们串在一起以执行目标计算。
科学计算中最广泛的软件包可能是NumPy，即Numerical Python。
顾名思义，数字数据是通过这个包来操作的，而不是在普通的Python中，在幕后所有繁重的工作都是由C/C++或Fortran编译的例程完成的。
从本质上讲，Python被用来将一个快速例程指向正确的方向（即指向正确的内存地址），仅此而已。
比较brute-force（Fortran）和基于KDtree的（Python / NumPy / SciPy）性能时间：
- 10亿个细胞
- 1000万个多孔的边界节点
- 1.8万个穿孔
brute-force的版本运行了6小时30分钟；而基于Kdtree的版本呢？只用了4分钟，几乎快了100倍，结果的差异只在机器精度的层面上出现。
详细点击标题
Reddit网友评论：
1. 这与我的经历产生了共鸣。在我之前的研究小组中，有一个模拟量很大的项目在不到两个月的时间内从构思到手稿，因为它能够利用 Numpy、Numba 和 Scipy。如果它是用另一种语言完成的，我很难相信它会这么快发布（即使最终的模拟可能会稍微快一点）。
2. Numpy是~120万行的C语言，不是因为它是一个薄薄的BLAS封装，而是因为它本身就是一个大型的数值库。
numpy的一部分，np.linalg使用BLAS后端，以及dot、matmul和tensordot。你的普通函数 "ufuncs "如加、减、乘、除根本不使用BLAS，只是一个C语言的for循环。在最近的numpy中，exp也使用AVX-512（它是在1.18或1.19中添加的，我忘了是哪个）。
如果你在纯numpy中做arr1 * arr2，你可以在低级语言中通过不分配来打败它，尽管np.mul(arr1, arr2, out=out)让你在numpy中获得不分配的风格，而且numpy内存池可能使分配基本免费。
然而，在低级语言中，你将有能力分割出arr1, arr2并进行多线程操作，而numpy不能做到这一点。
另一方面，numpy不遗余力地以最佳顺序执行内存访问，许多操作（视图等）基本上是免费的，它记录了步长和迭代顺序而不是移动数据。C++库（BOOST、Eigen）没有这些优化。
编译器也可能在低级语言中融合循环，这在numpy中非常明确地不会发生。
还有一些操作在numpy中是不存在的，在低级语言中可以很容易地实现，例如用一个矩阵乘以一个对角线矩阵，你把它作为一个向量存储。
3.Python中的计算任务通常利用高度优化的库。Python的成功一直取决于两件事...
- 开发速度是编程中存在的一个问题。
- 对非时间限制的代码进行运行时间优化总是在浪费开发时间。
Python在科学领域胜出，因为它提供了一个完整的软件包，由于其直观的成语风格，开发速度快，由于其有效利用低级开发库的模块化，运行速度快。