Что такое интерпретированные ЯП?

Что такое интерпретированные языки программирования?

Интерпретированные языки программирования — это языки, в которых исходный код выполняется непосредственно интерпретатором без предварительной компиляции в машинный код. Интерпретатор читает исходный код построчно или в виде промежуточного представления и выполняет соответствующие операции в реальном времени.

Основные отличия от компилируемых языков

Как работает интерпретация

# Исходный код
x = 5
y = 10
print(x + y)

Интерпретатор Python выполняет этот процесс:

1. Лексический анализ → Токены: [NAME, NAME, NUMBER, ...]
2. Синтаксический анализ → AST (Abstract Syntax Tree)
3. Компиляция в bytecode → .pyc файлы
4. Выполнение bytecode в виртуальной машине (PVM)

Современные интерпретируемые языки в Data Science

Python — король для DS/ML:

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestClassifier

# Легко писать, легко отлаживать
df = pd.read_csv('data.csv')
model = RandomForestClassifier(n_estimators=100)
model.fit(df[['feature1', 'feature2']], df['target'])

R — специализирован для статистики:

library(ggplot2)
library(dplyr)

data %>%
  filter(age > 18) %>%
  ggplot(aes(x = age, y = income)) +
  geom_point() +
  geom_smooth(method = 'lm')

JavaScript — в браузере и на сервере (Node.js):

const tf = require('@tensorflow/tfjs');

async function predictModel() {
  const model = await tf.loadLayersModel('file://model.json');
  const predictions = model.predict(tf.tensor2d([[1, 2, 3]]));
  predictions.print();
}

Гибридные подходы

Современные интерпретаторы используют Just-In-Time (JIT) компиляцию для оптимизации:

# PyPy — быстрый интерпретатор Python с JIT
# Numba — JIT компилятор для численных функций Python

from numba import jit
import numpy as np

@jit(nopython=True)  # Компилируется в машинный код при первом вызове
def fast_sum(arr):
    result = 0
    for i in range(len(arr)):
        result += arr[i]
    return result

arr = np.arange(1000000)
print(fast_sum(arr))  # В 100+ раз быстрее обычного Python

Виртуальные машины и bytecode

Python использует PVM (Python Virtual Machine):

source.py → compile() → bytecode (.pyc) → PVM → результат

import dis

def add(a, b):
    return a + b

# Посмотреть bytecode
dis.dis(add)
# Вывод:
#  2           0 LOAD_FAST                0 (a)
#              2 LOAD_FAST                1 (b)
#              4 BINARY_ADD
#              6 RETURN_VALUE

Плюсы и минусы

Плюсы интерпретируемых языков:

• Быстрая разработка и прототипирование
• Отличная поддержка в DS (pandas, scikit-learn, TensorFlow)
• Простая отладка (REPL, Jupyter)
• Кроссплатформенность

Минусы:

• Медленнее компилируемых (но numpy, scipy используют C внутри)
• Требует интерпретатора на целевой машине
• Сложнее распределение через production

Оптимизация производительности

# Плохо — медленный код на Python
result = 0
for i in range(1000000):
    result += i

# Хорошо — использовать NumPy (C реализация)
import numpy as np
result = np.sum(np.arange(1000000))  # В 1000x быстрее