注：本文除非特殊指明，”python”都是代表CPython，即C语言实现的标准python，且本文所讨论的是版本为2.7的CPython。
当我们提到一门编程语言的效率时：通常有两层意思。
第一是开发效率，这是对程序员而言，完成编码所需要的时间；
另一个是运行效率，这是对计算机而言，完成计算任务所需要的时间。
编码效率和运行效率往往是鱼与熊掌的关系，是很难同时兼顾的。不同的语言会有不同的侧重，python语言毫无疑问更在乎编码效率，life is short，we use python。
但是python运算效率低，具体是什么原因呢，下列罗列一些
1. python是动态语言
一个变量所指向对象的类型在运行时才确定，编译器做不了任何预测，也就无从优化。
举一个简单的例子： r = a + b。 a和b相加，但a和b的类型在运行时才知道，对于加法操作，不同的类型有不同的处理，所以每次运行的时候都会去判断a和b的类型，然后执行对应的操作。而在静态语言如C++中，编译的时候就确定了运行时的代码。
另外一个例子是属性查找，关于具体的查找顺序在《python属性查找》中有详细介绍。简而言之，访问对象的某个属性是一个非常复杂的过程，而且通过同一个变量访问到的python对象还都可能不一样（参见Lazy property的例子）。而在C语言中，访问属性用对象的地址加上属性的偏移就可以了。
2. python是解释执行
不支持JIT（just in time compiler即时编译）
3. python中一切都是对象
每个对象都需要维护引用计数，增加了额外的工作。
(在引用计数中，每一个对象负责维护对象所有引用的计数值。当一个新的引用指向对象时，引用计数器就递增，当去掉一个引用时，引用计数就递减。当引用计数到零时，该对象就将释放占有的资源。）
4. python GIL
GIL(Global Interpreter Lock全局解释器锁)是Python最为诟病的一点，因为GIL，python中的多线程并不能真正的并发。如果是在IO BOUND的业务场景，这个问题并不大，但是在CPU BOUND的场景，这就很致命了。即使在单线程，GIL也会带来很大的性能影响，因为python每执行100个opcode（默认，可以通过sys.setcheckinterval()设置）就会尝试线程的切换。
5. 垃圾回收
这个可能是所有具有垃圾回收的编程语言的通病。python采用标记和分代的垃圾回收策略，每次垃圾回收的时候都会中断正在执行的程序，造成所谓的顿卡。