Conda中使用pypy作为解释器

2021-07-05

Conda中安装pypy

# 创建一个新的Conda环境并配置pypy
conda -n pypy3 -c conda-forage pypy

# 激活pypy3环境
conda activate pypy3

# 一些使用的库可能需要用以下命令来重新pip install到pypy库里
pypy -m pip install [packages]

pypy测试

图片转换测试

以下是我用来转换图片格式的脚本

import os
import time
from PIL import Image


def Bmp2Png(file_path):
    for fileName in os.listdir(file_path):
        if fileName.split('.')[1] in ['bmp', 'BMP']:
            new_fileName = fileName.split('.')[0] + '.png'
            im = Image.open(fileName)
            im.save(new_fileName)
            print("Finish convert")

def main():
    start_time = time.perf_counter()
    file_path = ".\\"
    try:
        Bmp2Png(file_path)
    except:
        print("It's not a img file")
    end_time = time.perf_counter()
    print("PIL costs %f s" % (end_time - start_time))

if __name__ == '__main__':
    main()

将三张5.93MB的屏幕截图生成的.bmp位图进行.png格式的转换，测试结果如下

pypy环境：PIL costs 0.556925 s
CPython环境: PIL costs 0.337980 s

这波啊，这波是pypy完败呢，对第三方库而言，看来并不能影响太多

循环计算

以下是测试脚本

import time


def loopcal():
    start_time = time.perf_counter()

    sum = 0
    for i in range(100000000):
        sum =+ i

    end_time = time.perf_counter()

    print("loopCal costs %f s" % (end_time - start_time))

def main():
    loopcal()

if __name__ == '__main__':
    main()

将1亿做循环累加计算，并记录耗时

pypy环境：loopCal costs 0.071973 s
CPython环境：loopCal costs 2.760640 s

这波，pypy几乎瞬间就完成了，但CPython解释器还在挠头呢

pypy缺点

对于numpy、pandas、scipy这些用C语言编写的库而言，pypy环境下安装极为困难，而且并不能有效提升速度，但在Python内部库的处理上，pypy能很好的完胜Python，像简单的循环执行效率方面，有着质的提升。
但是作为一名非计科的研究僧而言，用的多的不是这pypy环境，我用Python的一方面主要是利用Conda来方便创建虚拟环境以及下载Conda库里的包而已，方便才是Python最强大的地方，但这些方面pypy都不具备，所以之后我不会继续使用pypy的，尽管他的解释速度飞快，但我为什么不用别的静态语言来处理这些事呢~
pypy就浅尝辄止到这吧