python有多少api(2023年最新分享)

导读：本篇文章首席CTO笔记来给大家介绍有关python有多少api的相关内容，希望对大家有所帮助，一起来看看吧。

Python数据库API(DB API)

虽然 Python 需要为操作不同的数据库使用不同的模块，但不同的数据库模块并非没有规律可循，因为它们基本都遵守 Python 制订的 DB API 协议，目前该协议的最新版本是 2.0，因此这些数据库模块有很多操作其实都是相同的。下面先介绍不同数据库模块之间的通用内容。

全局变量

Python 推荐支持 DB API 2.0 的数据库模块都应该提供如下 3 个全局变量：

apilevel：该全局变量显示数据库模块的 API 版本号。对于支持 DB API 2.0 版本的数据库模块来说，该变量值通常就是 2.0。如果这个变量不存在，则可能该数据库模块暂时不支持 DB API 2.0。读者应该考虑选择使用支持该数据库的其他数据库模块。

threadsafety：该全局变量指定数据库模块的线程安全等级，该等级值为 0～3 ，其中 3 代表该模块完全是线程安全的；1 表示该模块具有部分线程安全性，线程可以共享该模块，但不能共享连接；0 则表示线程完全不能共享该模块。

paramstyle：该全局变量指定当 SQL 语句需要参数时，可以使用哪种风格的参数。该变量可能返回如下变量值：

format：表示在 SQL 语句中使用 Python 标准的格式化字符串代表参数。例如，在程序中需要参数的地方使用 %s，接下来程序即可为这些参数指定参数值。

pyformat：表示在 SQL 语句中使用扩展的格式代码代表参数。比如使用 %(name)，这样即可使用包含 key 为 name 的字典为该参数指定参数值。

qmark：表示在 SQL 语句中使用问号（?）代表参数。在 SQL 语句中有几个参数，全部用问号代替。

numeric：表示在 SQL 语句中使用数字占位符（:N）代表参数。例如：1 代表一个参数，:2 也表示一个参数，这些数字相当于参数名，因此它们不一定需要连续。

named：表示在 SQL 语句中使用命名占位符（:name）代表参数。例如 :name 代表一个参数，:age 也表示一个参数。

通过查阅这些全局变量，即可大致了解该数据库 API 模块的对外的编程风格，至于该模块内部的实现细节，完全由该模块实现者负责提供，通常不需要开发者关心。

数据库 API 的核心类

遵守 DB API 2.0 协议的数据库模块通常会提供一个 connect() 函数，该函数用于连接数据库，并返回数据库连接对象。

数据库连接对象通常会具有如下方法和属性：

cursor(factory=Cursor)：打开游标。

commit()：提交事务。

rollback()：回滚事务。

close()：关闭数据库连接。

isolation_level：返回或设置数据库连接中事务的隔离级别。

in_transaction：判断当前是否处于事务中。

上面第一个方法可以返回一个游标对象，游标对象是 Python DB API 的核心对象，该对象主要用于执行各种 SQL 语句，包括 DDL、DML、select 查询语句等。使用游标执行不同的 SQL 语句返回不同的数据。

游标对象通常会具有如下方法和属性：

execute(sql[, parameters])：执行 SQL 语句。parameters 参数用于为 SQL 语句中的参数指定值。

executemany(sql, seq_of_parameters)：重复执行 SQL 语句。可以通过 seq_of_parameters 序列为 SQL 语句中的参数指定值，该序列有多少个元素，SQL 语句被执行多少次。

executescript(sql_script)：这不是 DB API 2.0 的标准方法。该方法可以直接执行包含多条 SQL 语句的 SQL 脚本。

fetchone()：获取查询结果集的下一行。如果没有下一行，则返回 None。

fetchmany(size=cursor.arraysize)：返回查询结果集的下 N 行组成的列表。如果没有更多的数据行，则返回空列表。

fetchall()：返回查询结果集的全部行组成的列表。

close()：关闭游标。

rowcount：该只读属性返回受 SQL 语句影响的行数。对于 executemany() 方法，该方法所修改的记录条数也可通过该属性获取。

lastrowid：该只读属性可获取最后修改行的 rowid。

arraysize：用于设置或获取 fetchmany() 默认获取的记录条数，该属性默认为 1。有些数据库模块没有该属性。

description：该只读属性可获取最后一次查询返回的所有列的信息。

connection：该只读属性返回创建游标的数据库连接对象。有些数据库模块没有该属性。

总结来看，Python 的 DB API 2.0 由一个 connect() 开始，一共涉及数据库连接和游标两个核心 API。它们的分工如下：

数据库连接：用于获取游标、控制事务。

游标：执行各种 SQL 语句。

掌握了上面这些 API 之后，接下来可以大致归纳出 Python DB API 2.0 的编程步骤。

操作数据库的基本流程

使用 Python DB API 2.0 操作数据库的基本流程如下：

调用 connect() 方法打开数据库连接，该方法返回数据库连接对象。

通过数据库连接对象打开游标。

使用游标执行 SQL 语句（包括 DDL、DML、select 查询语句等）。如果执行的是查询语句，则处理查询数据。

关闭游标。

关闭数据库连接。

下图显示了使用 Python DB API 2.0 操作数据库的基本流程。

在python中一共有多少个标准库？

Python 语言官方的参考手册钟，介绍了与 Python 一同发行的标准库。

文本处理服务

string --- 常见的字符串操作

re --- 正则表达式操作

difflib --- 计算差异的辅助工具

textwrap --- 文本自动换行与填充

unicodedata --- Unicode 数据库

stringprep --- 因特网字符串预备

readline --- GNU readline 接口

rlcompleter --- GNU readline 的补全函数

二进制数据服务

struct --- 将字节串解读为打包的二进制数据

codecs --- 编解码器注册和相关基类

数据类型

datetime --- 基本日期和时间类型

zoneinfo --- IANA 时区支持

calendar --- 日历相关函数

collections --- 容器数据类型

collections.abc --- 容器的抽象基类

heapq --- 堆队列算法

bisect --- 数组二分查找算法

array --- 高效的数值数组

weakref --- 弱引用

types --- 动态类型创建和内置类型名称

copy --- 浅层 (shallow) 和深层 (deep) 复制操作

pprint --- 数据美化输出

reprlib --- 另一种 repr() 实现

enum --- 对枚举的支持

graphlib --- 操作类似图的结构的功能

数字和数学模块

numbers --- 数字的抽象基类

math --- 数学函数

cmath --- 关于复数的数学函数

decimal --- 十进制定点和浮点运算

fractions --- 分数

random --- 生成伪随机数

statistics --- 数学统计函数

函数式编程模块

itertools --- 为高效循环而创建迭代器的函数

functools --- 高阶函数和可调用对象上的操作

operator --- 标准运算符替代函数

文件和目录访问

pathlib --- 面向对象的文件系统路径

os.path --- 常用路径操作

fileinput --- 迭代来自多个输入流的行

stat --- 解析 stat() 结果

filecmp --- 文件及目录的比较

tempfile --- 生成临时文件和目录

glob --- Unix 风格路径名模式扩展

fnmatch --- Unix 文件名模式匹配

linecache --- 随机读写文本行

shutil --- 高阶文件操作

数据持久化

pickle --- Python 对象序列化

copyreg --- 注册配合 pickle 模块使用的函数

shelve --- Python 对象持久化

marshal --- 内部 Python 对象序列化

dbm --- Unix \"数据库\" 接口

sqlite3 --- SQLite 数据库 DB-API 2.0 接口模块

数据压缩和存档

zlib --- 与 gzip 兼容的压缩

gzip --- 对 gzip 格式的支持

bz2 --- 对 bzip2 压缩算法的支持

lzma --- 用 LZMA 算法压缩

zipfile --- 使用ZIP存档

tarfile --- 读写tar归档文件

文件格式

csv --- CSV 文件读写

configparser --- 配置文件解析器

tomllib --- Parse TOML files

netrc --- netrc 文件处理

plistlib --- 生成与解析 Apple .plist 文件

加密服务

hashlib --- 安全哈希与消息摘要

hmac --- 基于密钥的消息验证

secrets --- 生成管理密码的安全随机数

通用操作系统服务

os --- 多种操作系统接口

io --- 处理流的核心工具

time --- 时间的访问和转换

argparse --- 命令行选项、参数和子命令解析器

getopt --- C 风格的命令行选项解析器

logging --- Python 的日志记录工具

logging.config --- 日志记录配置

logging.handlers --- 日志处理程序

getpass --- 便携式密码输入工具

curses --- 终端字符单元显示的处理

curses.textpad --- 用于 curses 程序的文本输入控件

curses.ascii --- 用于 ASCII 字符的工具

curses.panel --- curses 的面板栈扩展

platform --- 获取底层平台的标识数据

errno --- 标准 errno 系统符号

ctypes --- Python 的外部函数库

并发执行

threading --- 基于线程的并行

multiprocessing --- 基于进程的并行

multiprocessing.shared_memory --- Shared memory for direct access across processes

concurrent 包

concurrent.futures --- 启动并行任务

subprocess --- 子进程管理

sched --- 事件调度器

queue --- 一个同步的队列类

contextvars --- 上下文变量

_thread --- 底层多线程 API

网络和进程间通信

asyncio --- 异步 I/O

socket --- 底层网络接口

ssl --- 套接字对象的 TLS/SSL 包装器

select --- 等待 I/O 完成

selectors --- 高级 I/O 复用库

signal --- 设置异步事件处理程序

mmap --- 内存映射文件支持

互联网数据处理

email --- 电子邮件与 MIME 处理包

json --- JSON 编码和解码器

mailbox --- 操作多种格式的邮箱

mimetypes --- 映射文件名到 MIME 类型

base64 --- Base16, Base32, Base64, Base85 数据编码

binascii --- 二进制和 ASCII 码互转

quopri --- 编码与解码经过 MIME 转码的可打印数据

结构化标记处理工具

html --- 超文本标记语言支持

html.parser --- 简单的 HTML 和 XHTML 解析器

html.entities --- HTML 一般实体的定义

XML处理模块

xml.etree.ElementTree --- ElementTree XML API

xml.dom --- 文档对象模型 API

xml.dom.minidom --- 最小化的 DOM 实现

xml.dom.pulldom --- 支持构建部分 DOM 树

xml.sax --- 支持 SAX2 解析器

xml.sax.handler --- SAX 处理句柄的基类

xml.sax.saxutils --- SAX 工具集

xml.sax.xmlreader --- 用于 XML 解析器的接口

xml.parsers.expat --- 使用 Expat 的快速 XML 解析

互联网协议和支持

webbrowser --- 方便的 Web 浏览器控制工具

wsgiref --- WSGI 工具和参考实现

urllib --- URL 处理模块

urllib.request --- 用于打开 URL 的可扩展库

urllib.response --- urllib 使用的 Response 类

urllib.parse 用于解析 URL

urllib.error --- urllib.request 引发的异常类

urllib.robotparser --- robots.txt 语法分析程序

http --- HTTP 模块

http.client --- HTTP 协议客户端

ftplib --- FTP 协议客户端

poplib --- POP3 协议客户端

imaplib --- IMAP4 协议客户端

smtplib --- SMTP 协议客户端

uuid --- RFC 4122 定义的UUID对象

socketserver --- 用于网络服务器的框架

http.server --- HTTP 服务器

http.cookies --- HTTP状态管理

http.cookiejar —— HTTP 客户端的 Cookie 处理

xmlrpc --- XMLRPC 服务端与客户端模块

xmlrpc.client --- XML-RPC 客户端访问

xmlrpc.server --- 基本 XML-RPC 服务器

ipaddress --- IPv4/IPv6 操作库

多媒体服务

wave --- 读写WAV格式文件

colorsys --- 颜色系统间的转换

国际化

gettext --- 多语种国际化服务

locale --- 国际化服务

程序框架

turtle --- 海龟绘图

cmd --- 支持面向行的命令解释器

shlex —— 简单的词法分析

Tk图形用户界面(GUI)

tkinter —— Tcl/Tk 的 Python 接口

tkinter.colorchooser --- 颜色选择对话框

tkinter.font --- Tkinter 字体封装

Tkinter 对话框

tkinter.messagebox --- Tkinter 消息提示

tkinter.scrolledtext --- 滚动文字控件

tkinter.dnd --- 拖放操作支持

tkinter.ttk --- Tk 风格的控件

tkinter.tix --- TK扩展包

python有多少api(2023年最新分享) 第1张

盘点Python常用的模块和包

模块

1.定义

计算机在开发过程中，代码越写越多，也就越难以维护，所以为了编写可维护的代码，我们会把函数进行分组，放在不同的文件里。在python里，一个.py文件就是一个模块。

2.优点：

提高代码的可维护性。

提高代码的复用，当模块完成时就可以在其他代码中调用。

引用其他模块，包含python内置模块和其他第三方模块。

避免函数名和变量名等名称冲突。

python内建模块：

1.sys模块

2.random模块

3.os模块：

os.path:讲解

数据可视化

1.matplotlib :

是Python可视化程序库的泰斗，它的设计和在1980年代被设计的商业化程序语言MATLAB非常接近。比如pandas和Seaborn就是matplotlib的外包，它们让你能用更少的代码去调用 matplotlib的方法。

访问：

颜色：

教程：

2.Seaborn：

它是构建在matplotlib的基础上的，用简洁的代码来制作好看的图表。Seaborn跟matplotlib最大的区别就是它的默认绘图风格和色彩搭配都具有现代美感。

访问：

3.ggplot：

gplot 跟 matplotlib 的不同之处是它允许你叠加不同的图层来完成一幅图

访问：

4.Mayavi：

Mayavi2完全用Python编写，因此它不但是一个方便实用的可视化软件，而且可以方便地用Python编写扩展，嵌入到用户编写的Python程序中，或者直接使用其面向脚本的API：mlab快速绘制三维图

访问：

讲解：

5.TVTK：

TVTK库对标准的VTK库进行包装，提供了Python风格的API、支持Trait属性和numpy的多维数组。

VTK () 是一套三维的数据可视化工具，它由C++编写，包涵了近千个类帮助我们处理和显示数据

讲解：

机器学习

1.Scikit-learn

是一个简单且高效的数据挖掘和数据分析工具，易上手，可以在多个上下文中重复使用。它基于NumPy, SciPy 和 matplotlib，开源，可商用（基于 BSD 许可）。

访问：

讲解：

2.Tensorflow

最初由谷歌机器智能科研组织中的谷歌大脑团队（Google Brain Team）的研究人员和工程师开发。该系统设计的初衷是为了便于机器学习研究，能够更快更好地将科研原型转化为生产项目。

这几个常用的python库你需要知道

python可以说是近几年最火热、最实用的、最容易上手的工具之一了。功能强大、应用广泛，可以帮你搜集工作数据，还能帮你下载音乐，电影，于是就掀起了一波学习python的大潮，小编也毫不犹豫的加入了。但是对于向小编一样的小白来说，刚开始学习还是有些困难的，需要首先了解python的一些基础知识。所以小编就整理了一些常用的python库，希望对正在学习python的小伙伴有所帮助。

1.Matplotlib

Matplotlib是一个用于创建二维图和图形的底层库。藉由它的帮助，你可以构建各种不同的图标，从直方图和散点图到费笛卡尔坐标图。matplotlib能够与很多流行的绘图库结合使用。

2.Seaborn

Seaborn本质上是一个基于matplotlib库的高级API。它包含更适合处理图表的默认设置。此外，还有丰富的可视化库，包括一些复杂类型，如时间序列、联合分布图(jointplots)和小提琴图(violindiagrams)。

3.Plotly

Plotly是一个流行的库，它可以让你轻松构建复杂的图形。该软件包适用于交互式Web应用程，可实现轮廓图、三元图和三维图等视觉效果

4.Bokeh

Bokeh库使用JavaScript小部件在浏览器中创建交互式和可缩放的可视化。该库提供了多种图表集合，样式可能性(stylingpossibilities)，链接图、添加小部件和定义回调等形式的交互能力，以及许多更有用的特性。

5.Pydot

Pydot是用纯Python编写的Graphviz接口，经常用于生成复杂的定向图和无向图，能够显示图形的结构，对于构建神经网络和基于决策树的算法时非常有效。

6.pyecharts

是基于百度开源的Echarts而开发的Python可视化工具。

pyecharts功能非常强大，支持多达400+地图;支持JupyterNotebook、JupyterLab;能够轻松集成至Flask，Sanic，Django等主流Web框架

7.AutoViz

数据可视化，大多数都需要把数据读取到内存中，然后对内存中的数据进行可视化。但是，对于真正令人头疼的是一次又一次的开发读取离线文件的数据接口。

而AutoViz就是用于解决这个痛点的，它真正的可以做到1行代码轻松实现可视化。对于txt、json、csv等主流离线数据格式能够同时兼容，经常用于机器学习、计算机视觉等涉及离线数据较多的应用场景。

8.Altair

Altair是一款基于Vega和Vega-Lite开发的统计可视化库。具有API简单、友好、一致等优点，使用起来非常方便，能够用最简短的代码实现数据可视化。

9.cufflinks

cufflinks结合了plotly的强大功能和panda的灵活性，可以方便地进行绘图，避免了数据可视化过程中，对数据存储结构和数据类型进行复杂的麻烦。

10Pygal

Pygal 的名气不是很大，使用图形框架语法来构建图像的。绘图目标比较简单，使用起来非常方便：实例化图片;用图片目标属性格式化;用 figure.add() 将数据添加到图片中即可。

什么是Python？

Python是什么？

Python由荷兰数学和计算机科学研究学会的Guido van Rossum于1990 年代初设计，作为一门叫做ABC语言的替代品。Python提供了高效的高级数据结构，还能简单有效地面向对象编程。Python语法和动态类型，以及解释型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言，随着版本的不断更新和语言新功能的添加，逐渐被用于独立的、大型项目的开发。

Python解释器易于扩展，可以使用C或C++（或者其他可以通过C调用的语言）扩展新的功能和数据类型。 Python 也可用于可定制化软件中的扩展程序语言。Python丰富的标准库，提供了适用于各个主要系统平台的源码或机器码。

Python语言的优缺点

优点

简单：Python是一种代表简单主义思想的语言。阅读一个良好的Python程序就感觉像是在读英语一样。它使你能够专注于解决问题而不是去搞明白语言本身。

易学：Python极其容易上手，因为Python有极其简单的说明文档 [11] 。

易读、易维护：风格清晰划一、强制缩进

用途广泛

速度快：Python 的底层是用 C 语言写的，很多标准库和第三方库也都是用 C 写的，运行速度非常快。 [7]

免费、开源：Python是FLOSS（自由/开放源码软件）之一。使用者可以自由地发布这个软件的拷贝、阅读它的源代码、对它做改动、把它的一部分用于新的自由软件中。FLOSS是基于一个团体分享知识的概念。

高层语言：用Python语言编写程序的时候无需考虑诸如如何管理你的程序使用的内存一类的底层细节。

可移植性：由于它的开源本质，Python已经被移植在许多平台上（经过改动使它能够工作在不同平台上）。这些平台包括Linux、Windows、FreeBSD、Macintosh、Solaris、OS/2、Amiga、AROS、AS/400、BeOS、OS/390、z/OS、Palm OS、QNX、VMS、Psion、Acom RISC OS、VxWorks、PlayStation、Sharp Zaurus、Windows CE、PocketPC、Symbian以及Google基于linux开发的android平台。

解释性：一个用编译性语言比如C或C++写的程序可以从源文件（即C或C++语言）转换到一个你的计算机使用的语言（二进制代码，即0和1）。这个过程通过编译器和不同的标记、选项完成。

运行程序的时候，连接/转载器软件把你的程序从硬盘复制到内存中并且运行。而Python语言写的程序不需要编译成二进制代码。你可以直接从源代码运行程序。

在计算机内部，Python解释器把源代码转换成称为字节码的中间形式，然后再把它翻译成计算机使用的机器语言并运行。这使得使用Python更加简单。也使得Python程序更加易于移植。

面向对象：Python既支持面向过程的编程也支持面向对象的编程。在“面向过程”的语言中，程序是由过程或仅仅是可重用代码的函数构建起来的。在“面向对象”的语言中，程序是由数据和功能组合而成的对象构建起来的。

Python是完全面向对象的语言。函数、模块、数字、字符串都是对象。并且完全支持继承、重载、派生、多继承，有益于增强源代码的复用性。Python支持重载运算符和动态类型。相对于Lisp这种传统的函数式编程语言，Python对函数式设计只提供了有限的支持。有两个标准库(functools, itertools)提供了Haskell和Standard ML中久经考验的函数式程序设计工具。

可扩展性、可扩充性：如果需要一段关键代码运行得更快或者希望某些算法不公开，可以部分程序用C或C++编写，然后在Python程序中使用它们。

Python本身被设计为可扩充的。并非所有的特性和功能都集成到语言核心。Python提供了丰富的API和工具，以便程序员能够轻松地使用C语言、C++、Cython来编写扩充模块。Python编译器本身也可以被集成到其它需要脚本语言的程序内。因此，很多人还把Python作为一种“胶水语言”（glue language）使用。使用Python将其他语言编写的程序进行集成和封装。在Google内部的很多项目，例如Google Engine使用C++编写性能要求极高的部分，然后用Python或Java/Go调用相应的模块。《Python技术手册》的作者马特利（Alex Martelli）说：“这很难讲，不过，2004 年，Python 已在Google 内部使用，Google 召募许多 Python 高手，但在这之前就已决定使用Python，他们的目的是 Python where we can, C++ where we must，在操控硬件的场合使用C++，在快速开发时候使用 Python。”

可嵌入性：可以把Python嵌入C/C++程序，从而向程序用户提供脚本功能。

丰富的库：Python标准库确实很庞大。它可以帮助处理各种工作，包括正则表达式、文档生成、单元测试、线程、数据库、网页浏览器、CGI、FTP、电子邮件、XML、XML-RPC、HTML、WAV文件、密码系统、GUI（图形用户界面）、Tk和其他与系统有关的操作。这被称作Python的“功能齐全”理念。除了标准库以外，还有许多其他高质量的库，如wxPython、Twisted和Python图像库等等。

规范的代码：Python采用强制缩进的方式使得代码具有较好可读性。而Python语言写的程序不需要编译成二进制代码。Python的作者设计限制性很强的语法，使得不好的编程习惯（例如if语句的下一行不向右缩进）都不能通过编译。其中很重要的一项就是Python的缩进规则。一个和其他大多数语言（如C）的区别就是，一个模块的界限，完全是由每行的首字符在这一行的位置来决定（而C语言是用一对花括号{}来明确的定出模块的边界，与字符的位置毫无关系）。通过强制程序员们缩进（包括if，for和函数定义等所有需要使用模块的地方），Python确实使得程序更加清晰和美观。

高级动态编程：虽然Python可能被粗略地分类为“脚本语言”（script language），但实际上一些大规模软件开发计划例如Zope、Mnet及BitTorrent，Google也广泛地使用它。Python的支持者较喜欢称它为一种高级动态编程语言，原因是“脚本语言”泛指仅作简单程序设计任务的语言，如shellscript、VBScript等只能处理简单任务的编程语言，并不能与Python相提并论。

做科学计算优点多：说起科学计算，首先会被提到的可能是MATLAB。除了MATLAB的一些专业性很强的工具箱还无法被替代之外，MATLAB的大部分常用功能都可以在Python世界中找到相应的扩展库。和MATLAB相比，用Python做科学计算有如下优点：

● 首先，MATLAB是一款商用软件，并且价格不菲。而Python完全免费，众多开源的科学计算库都提供了Python的调用接口。用户可以在任何计算机上免费安装Python及其绝大多数扩展库。

● 其次，与MATLAB相比，Python是一门更易学、更严谨的程序设计语言。它能让用户编写出更易读、易维护的代码。

● 最后，MATLAB主要专注于工程和科学计算。然而即使在计算领域，也经常会遇到文件管理、界面设计、网络通信等各种需求。而Python有着丰富的扩展库，可以轻易完成各种高级任务，开发者可以用Python实现完整应用程序所需的各种功能。

缺点

单行语句和命令行输出问题：很多时候不能将程序连写成一行，如import sys;for i in sys.path:print i。而perl和awk就无此限制，可以较为方便的在shell下完成简单程序，不需要如Python一样，必须将程序写入一个.py文件。

给初学者带来困惑：独特的语法，这也许不应该被称为局限，但是它用缩进来区分语句关系的方式还是给很多初学者带来了困惑。即便是很有经验的Python程序员，也可能陷入陷阱当中。

运行速度慢：这里是指与C和C++相比。Python开发人员尽量避开不成熟或者不重要的优化。一些针对非重要部位的加快运行速度的补丁通常不会被合并到Python内。所以很多人认为Python很慢。不过，根据二八定律，大多数程序对速度要求不高。在某些对运行速度要求很高的情况，Python设计师倾向于使用JIT技术，或者用使用C/C++语言改写这部分程序。可用的JIT技术是PyPy。