¿Por qué Python es tan lento?

Los compromisos entre facilidad de uso y velocidad de ejecución. Publicado originalmente en The Deep Hub.

Creada por el autor con DALL-E 3

En la comunidad de programación es bien sabido que el lenguaje de la serpiente no gana carreras.

Python es genial y a todo el mundo le gusta.

«Pero es lento…»

En este artículo repasaré las características de Python que lo convierten en uno de los lenguajes más completos actuales, con la contrapartida de no ser tan rápido.

Antes, veamos algunos fundamentos de los lenguajes de programación.

Niveles de abstracción

Los lenguajes de programación suelen describirse por su nivel de abstracción.

Un nivel bajo de abstracción indica que el lenguaje está más cerca del hardware y es más difícil de interpretar.
Un nivel alto indica que el código está más cerca de la persona usuaria y es más fácil de interpretar.

Niveles de abstracción: del hardware a los lenguajes modernos | Creada por el autor

C++, PHP, Java y Python se consideran lenguajes modernos —o de alto nivel— porque pueden ejecutarse en casi cualquier sistema.

En ensamblador hay que escribir un programa distinto según las instrucciones de cada procesador: el mismo código no puede ejecutarse en CPU diferentes.

Por ejemplo, si creas un programa que imprime «Hello world» y se lo envías a alguien con otro modelo de ordenador, probablemente fallará al ejecutarlo.

Lenguajes modernos: el último nivel de abstracción

Abstracción en lenguajes modernos | Fuente

Aunque son el nivel más alejado del código máquina, también hay jerarquías en la última capa de la pirámide.

Por un lado están los lenguajes procedurales como C, en los que hay que saber con precisión qué se hace paso a paso. Son muy eficientes, pero también complejos y menos flexibles.

Por otro, hay lenguajes que simplifican las tareas al permitir código más legible y flexible.

Ese es el caso de Python: sirve para casi todo y es fácil de implementar, pero pierde eficiencia en determinadas tareas.

¿Por qué es Python tan «lento»?

Repasemos algunas características para responder a esta pregunta.

Lenguaje interpretado

Python es un lenguaje interpretado: un programa —el intérprete— lee y ejecuta el código línea a línea en tiempo de ejecución.

Es una forma de transformar código en código máquina.

Los lenguajes compilados siguen otra vía: un compilador transforma el código fuente en código máquina antes de ejecutarlo.

Lenguajes compilados frente a interpretados | Fuente

¿Por qué el enfoque interpretado es más lento?

En un lenguaje interpretado, cada línea se traduce a código máquina sobre la marcha, durante la ejecución.

Cada vez que se ejecuta un programa, el intérprete debe analizar, procesar y ejecutar el código. Esto añade sobrecarga frente a ejecutar directamente código máquina ya compilado.

Si un fragmento se ejecuta varias veces —por ejemplo, dentro de un bucle—, el intérprete debe leerlo y traducirlo cada vez que lo encuentra. Un programa compilado ejecuta el código máquina directamente, sin volver a traducirlo en cada iteración.

The Difference Between Compiled and Interpreted Languages Una guía ilustrada sobre cómo los lenguajes modernos transforman código fuente en código máquina.

CPython y su Global Interpreter Lock (GIL)

El intérprete estándar de Python es CPython. Está escrito en C y Python, y compila el código Python a bytecode antes de interpretarlo.

Para impedir que varios hilos nativos ejecuten bytecode de Python al mismo tiempo, CPython usa el Global Interpreter Lock.

Este bloqueo es necesario porque la gestión de memoria de CPython no es segura para hilos.

Sin embargo, puede ser un cuello de botella importante en programas multihilo: limita las mejoras de rendimiento de usar multithreading en procesadores con varios núcleos.

Funcionamiento del Global Interpreter Lock | Fuente

Tipado dinámico

Python es además dinámicamente tipado: no necesitas declarar el tipo de una variable al inicializarla.

¿Cómo afecta esto a la eficiencia?

En los lenguajes de tipado dinámico, los tipos se determinan en tiempo de ejecución. El intérprete debe comprobarlos cada vez que ejecuta una parte del código.

Eso requiere procesamiento adicional para determinar el tipo de cada variable y qué operación corresponde a esos tipos.

El enfoque opuesto son los lenguajes de tipado estático. En ellos, el tipo de una variable se conoce en tiempo de compilación, no durante la ejecución.

Como resultado, los compiladores pueden optimizar el código de forma más agresiva. Los programas son más rápidos, aunque menos flexibles.

C++ y Rust utilizan este enfoque.

Tipado estático frente a dinámico | Fuente

Recolección de basura

La recolección de basura es un sistema de gestión automática de memoria que recupera memoria que el programa ya no utiliza.

Python gestiona automáticamente la asignación y la liberación de memoria de sus objetos. Su mecanismo principal es el conteo de referencias: cada objeto tiene un contador con el número de referencias que apuntan a él.

Cuando el contador baja a cero, es decir, cuando ya no queda ninguna referencia al objeto, se elimina inmediatamente de la memoria.

Funcionamiento del recolector de basura | Fuente

La recolección de basura es un arma de doble filo.

Simplifica mucho la gestión de memoria al limpiar objetos sin uso de forma automática. Así ayuda a prevenir fugas de memoria y otros errores asociados a gestionarla manualmente.

Pero introduce sobrecarga e imprevisibilidad, que pueden afectar al rendimiento de una aplicación.

Demystifying Python’s Garbage Collector: Cleaning Up the Mess Una mirada más detallada al recolector de basura.

Conclusión

Las cuatro características principales que pueden hacer lento a Python son:

La ejecución interpretada, que añade una capa de abstracción entre el código y el lenguaje máquina.
El Global Interpreter Lock, que impide a los programas multihilo aprovechar por completo los procesadores multinúcleo.
El tipado dinámico, que determina el tipo de los objetos durante la ejecución y exige más trabajo al intérprete.
La recolección de basura, que puede añadir latencia, especialmente con muchos objetos o estructuras de datos complejas.

Pero hay algo importante…

Si te gusta Python y quieres construir un programa rápido, no es el fin del mundo.

Hay muchas maneras de acelerar código Python. ¿Has oído hablar de Cython, Numba, NumPy o PyPy?

Si no, no te preocupes: los veremos pronto.

Bibliografía

¡Gracias por leer! Si te ha gustado el artículo, puedes dejar hasta 50 aplausos y seguirme en Medium para estar al día de las próximas publicaciones.