我有一个Python脚本，其中包含一个循环，其中有很多对 scipy.optimize.fsolve 每个时间步长99（55+54）次，而现在我需要大约10^5个时间步长）。脚本的其他部分也不是很快，但就我从Spyder Profiler的输出来看，对fsolve的调用是目前最耗时的。在我目前的设置下，运行该脚本需要超过10个小时，所以我可以加快一点速度。
根据我在这里和互联网上其他地方读到的内容，我已经给PyPy做了第一次尝试：在conda下的独立环境中安装了它（MacOS 10.15.5，pypy 7.3.1和pypy3.6 7.3.1），还有自己版本的numpy、scipy和pandas，但到目前为止，它实际上比单纯的Python要慢一些（195 s vs 171 s，100个时间步）。
从我读到的 此处 (PyPy状态博客，17年10月)，这可能与使用numpy而不是numpypy，以及或者重复分配临时数组有关。除了调用fsolve千万次以上，我还使用了不少numpy数组，所以在我看来是有道理的。
问题是，我不是开发人员，对PyPy完全是个新手，所以JIT痕迹这样的术语对我来说意义不大，解读其中的内容对我来说很可能是个挑战。此外，过去在2017年10月是正确的，现在可能不再相关。另外，即使我会设法加快numpy数组那部分的速度，我也不确定fsolve部分的速度。
谁能说明一下，我在PyPy上投入时间是否值得？还是Cython更适合这种情况？甚至是mpi4py？
如果能帮上忙的话，我很乐意分享我的代码，但它包含了一个超过800行代码的模块，所以只是把它包含在这个帖子里，对我来说并不是一个好主意。
非常感谢！Sita
EDIT 谢谢大家的快速和善意的回应! 说的很有道理，关于需要看我的代码的问题，我把它 此处 链接有效期至2020年6月19日）。Arterial_1D.py是模块，CoronaryTree.py是调用Arterial_1D.py的脚本。为了一个最小的工作示例，我多放了一行，在这种情况下要不加注释（在代码中明确标记）。另外，我将时间步数设置为100，以使代码在合理的时间内运行（在我的例子中，最小的例子为0.61秒，完整的冠状动脉树为37.3秒）。
EDIT 2: 我真傻，在我的原帖中，我提到用PyPy和Python分别运行100步代码的时间为197秒和171秒，但在那个案例中，我在PyPy环境中调用Python，所以使用的是PyPy版本的Numpy。在我的基础环境中，运行100步需要30多秒。所以在这种情况下，PyPy比Python慢很多，这促使我无论如何都要研究一下这个PyPy状态的博文。
如果不看你的代码，我们真的无法帮你优化。不过既然你上面的描述挺多的，那我就回复一下，我觉得你可以尝试着加速一下。
首先是第一件事。Scipy库。 从scipy.optimization.fsolve的源码来看，它包裹着MINPACK的hybrd和hybrj算法，这是相当快的FORTRAN子程序。所以在你的情况下，改用PyPy对这个瓶颈并没有什么好处。
如何优化你的Scipy fsolve ? 最显而易见的数值优化就是对函数的args进行向量化。但似乎你运行的是一种时间步长算法，而大多数标准的时间步长算法都不能进行时间矢量化。 如果你的 "每步时间XX次 "是一种每步时间的隐式空间循环（即你的网格），你可以考虑将其矢量化，以实现速度上的一些提升。其次是放大你函数的猜测起始根估计。看看你是否可以修改你的算法，以便在整个时间区间内利用好起始解（做一些文献挖掘）。注意，这与 "编程 "的关系不大，而与你的数值方法知识有关。
其次，关于你说的 "脚本的其他部分也不是很快"。 好吧，我会选择用Cython来出汗你代码中剩下的python部分，尤其是循环。它是非常积极开发的，伟大的社区，并且经过实战测试。我个人在很多HPC类型的问题中都用过它。Cython也有一个方便的html注释，它可以突出强调潜在的优化，这些优化可能比你的原生python实现更多。
希望对你有所帮助 欢呼