问:如果与CPython相比，PyPy可以解决这些巨大的挑战(速度、内存消耗、并行性)，那么它的弱点是什么?

答:首先，几乎没有证据表明PyPy团队可以解决一般的速度问题。长期的证据表明，PyPy运行某些Python代码比CPython慢，这个缺点似乎深深植根于PyPy。

其次，在相当大的一组情况下，当前版本的PyPy比CPython消耗更多的内存。所以PyPy还没有解决内存消耗的问题。

PyPy是否解决了上面提到的巨大挑战，并且通常会比CPython更快，更少的内存消耗，对并行更友好，这是一个悬而未决的问题，短期内无法解决。有些人打赌，PyPy将永远无法提供一个通用的解决方案，使其在所有情况下都能主导CPython 2.7和3.3。

如果PyPy在总体上比CPython更好，这是值得怀疑的，影响其更广泛采用的主要弱点将是它与CPython的兼容性。还有一些问题，比如CPython在更广泛的cpu和操作系统上运行，但与PyPy的性能和CPython兼容性目标相比，这些问题要重要得多。

问:为什么我现在不能用PyPy替换CPython ?

答:PyPy并不是100%与CPython兼容，因为它没有在底层模拟CPython。一些程序可能仍然依赖于CPython的独特特性，而这些特性在PyPy中是不存在的，比如C绑定、Python对象和方法的C实现，或者CPython垃圾收集器的增量特性。

该网站并没有声称PyPy比CPython快6.3倍。引用:

所有基准测试的几何平均值比CPython快0.16或6.3倍

这是一个与您所做的概括性陈述非常不同的陈述，当您理解其中的区别时，您将至少理解为什么不能只说“使用PyPy”的一组原因。这听起来像是我在挑刺，但理解为什么这两种说法完全不同是至关重要的。

具体来说:

他们的陈述只适用于他们使用过的基准测试。它完全没有说明您的程序(除非您的程序与他们的一个基准测试完全相同)。 这个陈述是关于一组基准的平均值。即使是他们测试过的程序，也没有人声称运行PyPy会带来6.3倍的改进。 没有人声称PyPy能运行CPython运行的所有程序，更不用说更快了。

问:如果与CPython相比，PyPy可以解决这些巨大的挑战(速度、内存消耗、并行性)，那么它的弱点是什么?

答:首先，几乎没有证据表明PyPy团队可以解决一般的速度问题。长期的证据表明，PyPy运行某些Python代码比CPython慢，这个缺点似乎深深植根于PyPy。

其次，在相当大的一组情况下，当前版本的PyPy比CPython消耗更多的内存。所以PyPy还没有解决内存消耗的问题。

PyPy是否解决了上面提到的巨大挑战，并且通常会比CPython更快，更少的内存消耗，对并行更友好，这是一个悬而未决的问题，短期内无法解决。有些人打赌，PyPy将永远无法提供一个通用的解决方案，使其在所有情况下都能主导CPython 2.7和3.3。

如果PyPy在总体上比CPython更好，这是值得怀疑的，影响其更广泛采用的主要弱点将是它与CPython的兼容性。还有一些问题，比如CPython在更广泛的cpu和操作系统上运行，但与PyPy的性能和CPython兼容性目标相比，这些问题要重要得多。

问:为什么我现在不能用PyPy替换CPython ?

答:PyPy并不是100%与CPython兼容，因为它没有在底层模拟CPython。一些程序可能仍然依赖于CPython的独特特性，而这些特性在PyPy中是不存在的，比如C绑定、Python对象和方法的C实现，或者CPython垃圾收集器的增量特性。

I did a small benchmark on this topic. While many of the other posters have made good points about compatibility, my experience has been that PyPy isn't that much faster for just moving around bits. For many uses of Python, it really only exists to translate bits between two or more services. For example, not many web applications are performing CPU intensive analysis of datasets. Instead, they take some bytes from a client, store them in some sort of database, and later return them to other clients. Sometimes the format of the data is changed.

BDFL和CPython开发人员是一群非常聪明的人，他们设法帮助CPython在这种情况下表现出色。这是一个无耻的博客:http://www.hydrogen18.com/blog/unpickling-buffers.html。我使用的是Stackless，它源自CPython，并保留了完整的C模块接口。在这种情况下，我没有发现使用PyPy的任何优势。

我发现了一些例子，其中PyPy比Python慢。 但是:只在Windows上。

C:\Users\User>python -m timeit -n10 -s"from sympy import isprime" "isprime(2**521-1);isprime(2**1279-1)"
10 loops, best of 3: 294 msec per loop

C:\Users\User>pypy -m timeit -n10 -s"from sympy import isprime" "isprime(2**521-1);isprime(2**1279-1)"
10 loops, best of 3: 1.33 sec per loop

所以，如果你想到PyPy，忘了Windows吧。 在Linux上，你可以实现惊人的加速。 示例(列出1到1,000,000之间的所有质数):

from sympy import sieve
primes = list(sieve.primerange(1, 10**6))

这在PyPy上比在Python上快10(!)倍。 但不是在窗户上。那里的速度只有原来的3倍。

注意:与2013年提出这个问题时相比，现在的PyPy更成熟，支持也更好。避免从过时的信息中得出结论。

PyPy, as others have been quick to mention, has tenuous support for C extensions. It has support, but typically at slower-than-Python speeds and it's iffy at best. Hence a lot of modules simply require CPython. PyPy doesn't support numpy. Some extensions are still not supported (Pandas, SciPy, etc.), take a look at the list of supported packages before making the change. Note that many packages marked unsupported on the list are now supported. Python 3 support is experimental at the moment. has just reached stable! As of 20th June 2014, PyPy3 2.3.1 - Fulcrum is out! PyPy sometimes isn't actually faster for "scripts", which a lot of people use Python for. These are the short-running programs that do something simple and small. Because PyPy is a JIT compiler its main advantages come from long run times and simple types (such as numbers). PyPy's pre-JIT speeds can be bad compared to CPython. Inertia. Moving to PyPy often requires retooling, which for some people and organizations is simply too much work.

我想说，这些是影响我的主要原因。