Python hat sich in den letzten Jahrzehnten zu einer der beliebtesten Programmiersprachen weltweit entwickelt. Dabei war die Entwicklung der Performance stets ein wichtiger Faktor, der die Nutzung in verschiedenen Bereichen wie Webentwicklung, Datenanalyse oder maschinellem Lernen beeinflusst hat. Seit der Veröffentlichung von Python 3.0 vor sechzehn Jahren hat sich vor allem die Geschwindigkeit der Interpreter-Versionen erheblich verändert. Diese Reise von den anfänglichen Geschwindigkeitsproblemen zu den heutigen High-Performance-Versionen ist nicht nur ein Spiegelbild technischer Innovationen, sondern auch eines intensiven Engagements der Entwicklergemeinschaft.
Zu Beginn der Vorstellung von Python 3.0 gab es durchaus Widerstand gegen diese Version – nicht nur wegen der mangelnden Abwärtskompatibilität, sondern vor allem auch aufgrund der deutlich schlechteren Performance im Vergleich zu Python 2.7, der damals als schnellste Version galt. Python 2.7 war zu seiner Zeit sogar als rasend schnell bekannt und stellte eine Benchmark dar, die spätere Python-3-Versionen zunächst nicht erreichen konnten.
Die Kritik damals war berechtigt und in Benchmarks besonders sichtbar. Interessanterweise dauerte es einige Jahre, bis Python 3 die Performance von Python 2.7 übertrumpfen konnte. Erst mit Python 3.7, veröffentlicht im Jahr 2018, gelang es, den alten Spitzenwert endgültig zu übersteigen.
Die Verbesserungen waren dabei nicht nur marginal, sondern schon signifikant: Python 3.7 bot ein deutlich besseres Verhältnis von Ausführungsgeschwindigkeit und Speicherverbrauch, was die Akzeptanz der neuen Versionen steigerte. Noch schneller wurde es mit den folgenden Versionen. Python 3.8 und 3.
9 brachten weitere Optimierungen mit sich, die den Interpreter nochmals beschleunigten. Die Fortschritte in diesen Versionen machten Python überaus attraktiv für Entwickler, die nicht nur die einfache Syntax, sondern auch eine hohe Performance benötigten. Das Jahr 2023 markierte einen weiteren Meilenstein mit Python 3.11, das laut Benchmarks eine nahezu 30 bis 40 Prozent schnellere Ausführung gegenüber dem Vorgänger 3.10 erreichte.
Diese Verbesserungen basieren auf vielen kleinen, aber effektiven Optimierungen im Bytecode und in der internen Speicherverwaltung, die sowohl schnelle, speichereffiziente Operationen als auch ein schnelleres Laden von Modulen ermöglichen. Mit Python 3.12 konnten die Entwickler die Performance nochmals verbessern und dabei bereits die doppelte Geschwindigkeit im Vergleich zu Python 2.7 erreichen. Dieses rasante Fortschreiten wurde durch umfangreiche Forschungen und Optimierungen ermöglicht, die sich speziell auf die Kernaspekte der Laufzeitumgebung konzentrierten.
Insbesondere im Hinblick auf Speicherverwaltung, Optimierung der Garbage Collection und effizientere Datenstrukturen wurde deutlich an der Performance gearbeitet. Eine Revolution steht mit der Einführung eines optionalen Just-in-Time-Compilers (JIT) mit Python 3.13 bevor. Dieser JIT-Compiler ergänzt die bisherigen Interpretationsmethoden um die Fähigkeit, Programmcode während der Laufzeit zu optimieren und direkt in Maschinencode umzuwandeln. Die Benchmarks zeigen, dass die Geschwindigkeit dadurch noch einmal deutlich erhöht wird – teils um weitere 5 bis 10 Prozentpunkte gegenüber 3.
12. Somit bewegt sich Python gegenwärtig in einem Bereich, der viele klassische Vorurteile zur Sprache als langsame Programmiersprache widerlegt. Die Messungen, auf denen diese Analyse basiert, verwenden ein eher ungewöhnliches Benchmark-Programm: ein vereinfachtes Snakes & Ladders-Spiel, das zahlreiche Operationen wie Tuple- und Listenmanipulation sowie viele Wörterbuchzugriffe durchführt. Obwohl das Benchmarkszenario spielerisch klingt, verdeutlicht es die realen Anforderungen vieler Python-Anwendungen, die oft stark auf Datenstrukturen und deren effiziente Handhabung angewiesen sind. Um die Vergleichbarkeit sicherzustellen, wurden alle getesteten Python-Versionen unter denselben Bedingungen kompiliert und ausgeführt.
Das bedeutete, dass jede Version aus Quellcode auf derselben Hardware mit denselben Compiler-Einstellungen gebaut wurde. Nur so können objektive Aussagen über Geschwindigkeitszugewinne getroffen werden. Trotz dieser sorgfältigen Vorbereitung war insbesondere die Kompilierung der älteren Python-3-Versionen 3.1 bis 3.3 eine große Herausforderung.
Mit modernen GCC-Versionen führten einzigartige Compiler-Warnungen und unerwartete Speicheranordnungsfehler zu seltsamen Abstürzen. Eine genauere Untersuchung ergab, dass ein winziges Detail in der Deklaration der internen PyGC_Head-Struktur die Ursache war. Ein kleiner Commit aus dem Jahr 2012 änderte den Typ eines Dummy-Wertes von long double auf double, was rückwirkend dazu führte, dass älterer Quellcode ohne diese Änderung mit modernen Compiler-Umgebungen fehlerhaft ist. Dieser „Codearchäologie“-Aspekt zeigt, wie wichtig es ist, alte Softwarequellen auch weiterhin gegen aktuelle Toolchains zu prüfen und anzupassen. Bei näherer Betrachtung der Performance-Daten fällt auf, wie stark sich die Geschwindigkeit von Python-3-Versionen innerhalb der letzten Jahre gesteigert hat.
So erreicht Python 2.7 in etwa 100.000 Spielrunden pro Sekunde, während Python 3.13 mit aktiviertem JIT schon nahe 220.000 Runden pro Sekunde verzeichnet.
Die aktuelle Alpha-Version 3.14 mit JIT bringt es sogar auf über 250.000. Dies entspricht einem Zuwachs von bis zu 150 Prozent gegenüber den besten Python-2-Versionen. Neben der internen Entwicklung der Python-Interpreter gibt es auch zahlreiche Wege, die Performance von Python-Programmen ohne Interpreterwechsel zu verbessern.
Ein vielfach empfohlener Ansatz ist die Nutzung von PyPy, einer alternativen Python-Implementierung, die einen JIT-Compiler standardmäßig integriert und so erheblich schnellere Laufzeiten ermöglichen kann. Ebenfalls ist die Nutzung von Mehrkern-Prozessoren durch Parallelisierung mittels Module wie concurrent.futures ein wirkungsvoller Weg, um Rechenaufgaben zu beschleunigen. Darüber hinaus hat die zunehmende Integration von Modulen, die in kompilierter Sprache wie C, C++ oder neuerdings Rust geschrieben sind, die Grenzen der in Python direkt möglichen Performance erweitert. Rust spielt hierbei eine besondere Rolle, da es moderne Sicherheitseigenschaften und eine gute Interoperabilität mit Python bietet.
Ein gezielter Einsatz solcher Module für Performance-kritische Hotspots in Programmen stellt eine ideale Kombination aus einfacher Python-Entwicklung und hoher Geschwindigkeit da. Die letzten sechzehn Jahre der Python-Performance zeigen eindrucksvoll, dass Softwareentwicklung nicht stillsteht. Während viele Entwickler anfangs strauchelten, haben sie nun den Weg zu Hochleistungsversionen beschritten, die weit mehr sind als nur eine Interpretation einer Skriptsprache. Diese ständige Weiterentwicklung ist Grund für die anhaltende Beliebtheit von Python bei Anfängern und Profis gleichermaßen. Abschließend bleibt zu erwähnen, dass Benchmarks immer mit Vorsicht zu genießen sind.
Sie können nie die tatsächliche Performance sämtlicher Anwendungsfälle hundertprozentig abbilden. Trotzdem bieten sie wertvolle Orientierung, besonders wenn Entwicklungsteams vor Entscheidungen stehen, welche Python-Version für ihre Projekte die beste Wahl ist. Die vorliegenden Daten zeigen klar, dass die Investitionen in Performanceverbesserungen sich über die Jahre ausgezahlt haben und die Zukunft dank experimenteller Technologien wie JIT-Compiler und moderner Systemintegration vielversprechend aussieht.
