API，所有Python代码的最终变成这些API以及数据结构的调用，才有了Python世界的精彩。
Cython，准确说Cython是单独的一门语言，专门用来写在Python里面import用的扩展库。实际上Cython的语法基本上跟Python一致，而Cython有专门的“编译器”先将
Cython代码转变成C（自动加入了一大堆的C-Python
API），然后使用C编译器编译出最终的Python可调用的模块。
GIL：Global
Interpreter
Lock，是Python虚拟机的多线程机制的核心机制，翻译为：全局解释器锁。其实Python线程是操作系统级别的线程，在不同平台有不同的底层实现（如win下就用win32_thread,
posix下就用pthread等），Python解释器为了使所有对象的操作是线程安全的，使用了一个全局锁（GIL）来同步所有的线程，所以造成“一个时刻只有一个Python线程运行”的伪线程假象。GIL是个颗粒度很大的锁，它的实现跟性能问题多年来也引起过争议，但到今天它还是经受起了考验，即使它让Python在多核平台下CPU得不到最大发挥。
就算你的项目中有大量的Python代码,你也依旧可以有条不紊地通过将其分离为多个文件或模块加以组织管理。而且你可以从一个模块中选取代码，而从另一个模块中读取属性。更棒的是，对于所有模块，Python的访问语法都是相同的。不管这个模块是Python标准库中的还是你一分钟之前创造的，哪怕是你用其他语言写的扩展都没问题!借助这些特点，你会感觉自己根据需要“扩展”了这门语言，而且你已经这么做了。代码中的瓶颈，可能是在性能分析中总排在前面的那些热门或者一些特别强调性能的地方，可以作为Python扩展用C重写。需要重申的是，这些接口和纯Python模块的接口是一模一样的，乃至代码和对象的访问方法也是如出一辙的。唯一不同的是，这些代码为性能带来了显著的提升。自然，这全部取决你的应用程序以及它对资源的需求情况。很多时候，使用编译型代码重写程序的瓶颈部分绝对是益处多多的，因为它能明显提升整体性能。
程序设计语言中的这种可扩展性使得工程师能够灵活附加或定制工具，缩短开发周期。虽然像C、C++乃至Java等主流第三代语言(3GL)都拥有该特性，但是这么容易地使用C编写扩展确实是Python的优势。此外，还有像PyRex这样的工具，允许C和Python混合编程，使编写扩展更加轻而易举，因为它会把所有的代码都转换成C语言代码。
因为Python的标准实现是使用C语言完成的(也就是CPython)，所以要使用C和C++编写Python扩展。Python 的Java实现被称作Jython,要使用Java编写其扩展。最后,还有IronPython,这是针对.NET或Mono平台的C#实现。你可以使用C#或者VB.Net扩展IronPython.
具体区别有三方面：
一、语言不同。
其中C++语言属于编译型语言，程序在执行之前需要一个专门的编译过程，把程序编译成为机器语言的文件。
Python语言是解释型语言，该语言编写的程序不需进行预先编译，以文本方式储存代码，会将代码一句一句直接运行。
二、时间点不同。
两者区别在于翻译时间点不同。C++在前，而Python在后。
三、兼容性不同。
Python解释器易于扩展，可以使用C或C++（或者其他可以通过C调用的语言）扩展新的功能和数据类型。
Python 也可用于可定制化软件中的扩展程序语言。Python丰富的标准库，提供了适用于各个主要系统平台的源码或机器码。
原理方面：
1、运行效率：C++ >>Python。
Python代码和C++最终都会变成CPU指令来跑，但一般情况下，比如反转和合并两个字符串，Python最终转换出来的CPU指令会比C++ 多很多。
首先，Python东西比C++多，经过了更多层，Python中甚至连数字都是object。
其次，Python是解释执行的，和物理机CPU之间多了解释器这层，而C++是编译执行的，直接就是机器码，编译的时候编译器又可以进行一些优化。
2、开发效率：Python >>C++。
Python一两句代码就搞定的东西，C++往往要写一大堆。用C++解析下Json你就明白了，很可能好几天过去了，你还在调bug，刚调好bug又内存泄漏了。
