在执行速度方面，Python 常被认为不如 C++ 或 Java，请阐述其性能瓶颈的根源，并列出针对这些瓶颈的常用优化手段。

回答思路

1. 【回答框架 1】Python 慢主要因动态类型、解释执行和 GIL。动态类型使变量需运行时检查，解释器逐行翻译字节码，开销高于编译型语言的机器码执行。GIL 限制多线程并行，CPU 密集任务只能单核。
2. 【回答框架 2】优化方向分宏观与微观。微观：用局部变量减少属性查找，使用内建函数和数据结构，避免循环内重复计算。宏观：用 PyPy 的 JIT 提升循环性能，用 Cython 将关键代码编译为 C 扩展，或用 multiprocessing 绕过 GIL。
3. 【回答框架 3】针对 I/O 密集任务，用 asyncio 或线程池提高并发；针对数值计算，用 NumPy 等向量化库，避免 Python 层循环。
4. 【回答框架 4】若有 [实际方案] 或 [实际数据]，可结合具体瓶颈分享调优效果，如从 10 秒降到 1 秒，并说明使用 cProfile 定位热点。
5. 【关键点 1】Python 慢的根源：动态类型、解释执行、GIL 限制并行。
6. 【关键点 2】提升性能手段：JIT（PyPy）、C 扩展（Cython）、NumPy 向量化。
7. 【关键点 3】I/O 密集用异步或线程池，CPU 密集用多进程。
8. 【关键点 4】优化前用 cProfile 定位热点，避免过早优化。
9. 【易错点 1】误以为 GIL 导致所有 Python 程序都慢，实际上 I/O 密集程序影响不大。
10. 【易错点 2】盲目用多线程加速 CPU 密集任务，GIL 使其无法并行。
11. 【易错点 3】过度优化代码可读性，应优先选高效数据结构与算法。