Python：最適化の階段 （タイトルのみ）

Japanese Translation:

Python の純粋な計算速度は、典型的なベンチマーク（n‑body 177×、spectral‑norm 875×）で Apple M4 Pro 上において C に比べて 100–875 倍遅く動作します。
この低下は Python の動的ディスパッチ、整数あたり約 28 バイトのオーバーヘッド、および GIL（グローバルインタプリタロック）の参照カウント処理に起因し、GIL 自体は単一スレッドコードを悪化させません。

最近の CPython リリースでは小規模な改善が見られます：
3.10→3.11 で適応型特殊化による約 1.4 倍の速度向上。
3.13 は軽量 JIT を追加しますが、まだメリットは確認されていません。
free‑threaded モード（3.14t）は実際に単一スレッドプログラムを遅くします。

ギャップを埋めるための選択肢はいくつかあります：

• ランタイム代替案

  • PyPy / GraalPy：コード変更なしで 6–66 倍高速化。ただし JVM/JIT のウォームアップにより起動が遅く、エコシステムサポートは限定的。
  • Codon、Mojo nightly、Taichi：26–198 倍の利得がありますが、完全なリライトや古い CPython バージョンが必要です。

• コンパイル済み拡張

  • mypy‑c（型付き Python → C）：2.4–14 倍の速度向上。型アノテーションが必要で、機能は限定的に最適化されます。
  • Rust/PyO3：113–154 倍、特にデータパイプライン全体をネイティブで処理する場合（例：JSON パース）。
  • Cython：開発者が C 構文を採用し、型アノテーションを書き、** 演算子や cdivision の欠如、事前計算インデックスなどの落とし穴を回避すると 99–124 倍。

• 加速ライブラリ

  • NumPy：BLAS を通じてベクトル化可能な行列-ベクトルワークロードで最大 520 倍。順序性や小規模配列には効果がありません。
  • JAX JIT：lax.fori_loop と lax.cond を用いて再構築した配列プログラムで最大 1 633 倍。関数型コードが必要です。
  • Numba @njit：NumPy 配列上でコンパイルすると 56–135 倍。一般的な Python オブジェクトや文字列には苦戦します。

実際のワークロード（約 100 k JSON イベント）では、最も達成可能な速度向上は、json.loads() による Python 辞書生成を回避したネイティブ Rust または Cython パーサーを使用することで約 6.3 倍です。適切なツールを選択すると、データ集約型、科学的、およびパフォーマンスクリティカルなアプリケーションの実行時間を劇的に短縮できます。

Text to translate

(incorporating all key points):**

Python’s pure‑compute speed lags behind C by 100–875× on typical benchmarks
(n‑body 177×, spectral‑norm 875×) run on an Apple M4 Pro.  
The slowdown is due to Python’s dynamic dispatch, ~28 bytes per int overhead,
and GIL reference‑counting; the GIL itself does not hurt single‑threaded code.

Recent CPython releases offer modest gains: 3.10→3.11 gives ≈1.4× speedup
via adaptive specialization; 3.13 adds a lightweight JIT but shows no benefit yet;
free‑threaded mode (3.14t) actually slows single‑threaded programs.

To close the gap, several options exist:

* Runtime alternatives  
  * PyPy / GraalPy: 6–66× faster with zero code changes; startup slower due to JVM/JIT warm‑up and limited ecosystem support.  
  * Codon, Mojo nightly, Taichi: 26–198× gains but require full rewrites or older CPython versions.

* Compiled extensions  
  * mypy‑c (typed Python → C): 2.4–14× speedups; needs type annotations and only optimises a subset of features.  
  * Rust/PyO3: 113–154×, especially when the entire data pipeline is handled natively (e.g., JSON parsing).  
  * Cython: 99–124× when developers adopt C semantics, write type annotations, and avoid pitfalls like ** operator, missing cdivision, or pre‑computed indices.

* Accelerated libraries  
  * NumPy: up to 520× on vectorisable matrix‑vector workloads via BLAS; ineffective for sequential or small arrays.  
  * JAX JIT: up to 1 633× on array programs rewritten with lax.fori_loop and lax.cond (requires functional‑style code).  
  * Numba @njit: 56–135× when compiled over NumPy arrays; struggles with general Python objects or strings.

In realistic workloads (≈100 k JSON events), the best achievable speedup is ~6.3× by using a native Rust or Cython parser that avoids creating Python dictionaries via json.loads(). Choosing the right tool can dramatically reduce runtimes in data‑intensive, scientific, and performance‑critical applications.