1.NumPy、SciPy、Sage和Pandas

先說，NumPy。它的核心是一個多維數字數組的實現。除了這個數據結構之外，還實現了若干個函數和運算符，可以高效地進行數組運算。并且對于被調用的次數進行了精簡。它可以被用來進行極其高效的數學運算。

SciPy和Sage都將NumPy內置為自身的一部分，同時內置了其他的不同的工具，從而可以用于特定科學、數學和高性能計算的模塊。

Pandas是一個側重于數據分析的工具。如果處理大量半結構化數據的時候，可能也會用到Pandas相關的工具，比如Blaze。

2.PyPy、Pyston、Parakeet、Psyco和Unladen Swallow

讓代碼運行的更快，侵入性最小的就是使用實時編譯器(JIT編譯)。以前的話我們可以直接安裝Psyco。安裝之后導入psyco，然后調用psyco.full()。代碼運行速度就可以明顯提升。運行Python代碼的時候，它可以實時監控程序，會將一部分代碼編譯為了機器碼。

現在好多Psyco等加速器的項目已經停止維護了，不過類似的功能在PyPy中得到了繼承。

PyPy為了方便分析、優化和翻譯，用Python語言將Python重新實現了一遍，這樣就可以JIT編譯。而且PyPy可以直接將代碼翻譯成像C那樣的性能更高的語言。

Unladen Swallow是一個Python的JIT編譯器。是Python解釋器的一本版本，被稱為底層虛擬機(LLVM)。不過這個開發已經停止了。

Pyston是一個與LLVM平臺較為接近的Python的JIT編譯器。很多時候已經優于Python的實現，但不過還有很多地方不完善。

3.GPULib、PyStream、PyCUDA和PyOpenCL

這四個都是用在圖像處理單元來實現代碼的加速。前面講的都是用代碼優化來實現加速的。而這些都是從硬件層面上進行加速，如果有一個強大的GPU，我們可以用GPU來計算，從而減少CPU寶貴的資源。

PyStream古老一點。GPULib提供了基于GPU的各種形式的數據計算。

如果用GPU加速自己的代碼，可以用PyCUDA和PyOpenCL。

4.Pyrex、Cython、Numba和Shedskin

這四個項目都致力于將Python代碼翻譯為C、C++和LLVM的代碼。Shedskin會將代碼編譯為C++語言。Pyrex、Cython編譯的主要目標是C語言。Cython也是Pyrex的一個分支。

而且，Cython還有NumPy數組的額外支持。

如果面向數組和數學計算的時候，Numba是更好的選擇導入時會自動生成相應的LLVM的代碼。升級版本是NumbaPro，還提供了對GPU的支持。

5.SWIG、F2PY和Boost.Python

這些工具可以將其他的語言封裝為Python的模塊。第一個可以封裝C/C++語言。F2PY可以封裝Fortran。Boost.Python可以封裝C++語言。

SUIG只要啟動一個命令行工具，往里面輸入C或者C++的頭文件，封裝器代碼就會自動生成。除了Python，而且可以成為其他語言的封裝器，比如Java和PHP。

6.ctypes、llvm-py和CorePy2

這些模塊可以幫助我們實現Python底層對象的操作。ctypes模塊可以用于在內存中構建編譯C的對象。并且調用共享庫中的C的函數。不過ctypes已經包含在Python的標準庫里面了。

llvm-py主要提供LLVM的Python接口。以便于構建代碼，然后編譯他們。也可以在Python中構建它的編譯器。當然搞出自己編程語言也是可以的。

CorePy2也可以進行加速，不過這個加速是運行在匯編層的。

7.Weave、Cinpy和PyInline

這三個包，就可以讓我們在Python代碼中直接使用C語言或者其他的高級語言。混合代碼，依然可以保持整潔。可以使用Python代碼的字符串的多行特性，可以使其他的代碼按照自身的風格來進行排版。

8.其他工具

如果我們要節省內存，就不能使用JIT了。一般JIT都太耗費內存。有一句話說的很對，時間和內存經常不能兼得，而我們在工程開發中，總是要尋找他們的平衡點。

至于其他的一些東西，比如Micro Python項目，這個是用在嵌入式設備或者微控制器上面使用的。

如果只是想在Python環境中工作，然后想用別的語言，可以看看這個項目Julia。