我在Python中实现了物理模拟(无论如何，大部分繁重的工作都是在数字库中完成的，因此性能已经足够好了(。 现在项目已经有所增长，我通过模拟期间不会更改的参数添加了额外的功能。随之而来的是让程序根据它们的值做一件事或另一件事的必要性，即，相当多的if-else分散在代码周围。
我的问题很简单：Python是否实现了某种形式的分支预测？我是否会显著佩戴性能，或者口译员是否足够聪明，可以看到某些参数永远不会改变？在一个被调用一百万次的函数中有一个常量的if-else，是每次都评估条件还是发生了一些魔术？当没有简单的方法完全删除条件时，有没有办法给解释器一些提示并支持/模拟分支预测？
理论上，您可以从一些 JIT 功能中受益，这些功能可能会随着时间的推移观察控制流，并且可以通过重新排列代码来有效地抑制从未采用的分支。一些 Python 解释器包含 JIT 编译器(我认为 PyPy 在较新版本中也是如此，也许 Jython 也是如此(，并且可能能够进行此优化，但这当然取决于实际代码。
然而，分支预测的主要形式是在硬件中完成的，与所使用的软件或语言结构无关(在 Python 的情况下 - 上面有相当多的抽象级别(。这种机制最终将这些条件代码路径观察为分支，如果它们确实是静态确定的，则可能能够学习它们。但是，与任何预测机制一样，它的容量有限，并且由于您的代码应该很大，因此它可能无法容纳所有这些分支的预测。它仍然被认为是相当不错的，所以关键的东西可能会起作用。
最后，如果你真的想优化你的代码，你可以将其中一些条件转换为常量(为参数分配一个常量值而不是解析命令行(，或者用类似__debug__的东西完全隐藏条件。这样，您就不必担心预测它们，但如果您将来需要它们，可以用最少的工作恢复功能。