这是科学编程界普遍关注的问题，我认为性能不确定性是计算科学中的主要“神话”之一。

正如@fcruz所讨论的，petsc4py它是 PETSc 库的包装器，而不是 Python 中 PETSc 的重新实现。因此，您可以预期任何性能损失都来自将数组复制到 PETSc 或从 PETSc 复制，或者来自驱动程序代码/函数调用的开销。petsc4py执行得非常仔细，只要你了解numpy多维数组接口，可以避免复制开销。对于我工作的大多数用例，在 Python 中工作的性能损失约为 10-40%，而且我经常以其他方式获得实质性的收益，而不仅仅是弥补这种性能损失。事实上，与我交谈过的几位更有经验的 HPC Python 开发人员认为，这种性能差异通常可以进一步缩小，当 Python 驱动计算量大的代码时，肯定会出现这种情况。

存储库petsc4py本身具有许多有用的示例来说明性能/灵活性的权衡。查看petsc4py名为 的演示的源存储库perftest，它使用 Python 驱动程序和 C 驱动程序（通过该目录中提供的 Fortran 内核）求解非线性方程组App.f90。这里的性能开销约为 10%。

作为一个具体的例子，我是研究 PyClaw 的科学家团队的一员，PyClaw是一个软件包，它连接到 PETSc 用于并行网格管理和传统的 Fortran 内核，用于解决单元接口上的黎曼问题。我们对从 Fortran 驱动程序切换导致的性能下降进行了相当仔细的研究，您可以在会议论文的表 1 的第 5 页底部看到结果。在我们的案例中，我们牺牲了一点核心性能，以换取将代码轻松连接到 PETSc 和 Fortran 并在数万个核心上高效并行运行的能力。

Petsc4py 只是从 python访问 PETSc 的另一种方式，或者说是一样的，petsc4py 提供绑定，以便您可以从 python 访问 PETSc 数据结构和例程，以减少开发并行 PDE 求解器的工作量（那个规模）。

PETSc 为其求解器提供了多个抽象级别，您甚至可以使用 PETSc 来实现自己的求解器。在软件抽象的最低级别，PETSc 使用 BLAS、LAPACK 和 MPI，并且充其量与这些的实现一样快。

现在，pets4py 使用 cython 来实现对 PETSc 的绑定。使用 cython 的开销与将从 PETSc 完成的计算量有关。如果您使用 PETSc 的高级 PDE 求解器，则开销应该足够小，您无需担心它们。

一个可能比 PETSc 与 GEMV 的性能比较更重要的问题是 PETSc 是否适合您的工作。如果您需要实现非平凡的并行 PDE 求解器，那么 PETSc 很可能会真正帮助您。但是，如果你需要做一堆 GEMV，你需要一个 BLAS 库。祝你好运！