C、C++、MATLAB、Python、Go 哪个比较适合写算法?

写同一道题，一个人用 C++，一个人用 Python。在 45 分钟的面试里，Python 那位多出来 5-8 分钟——不是 Python 更聪明，是它更短，打同样的逻辑要少写一半代码。

但在 Codeforces 上，Python 选手在时间限制紧的题目里会超时。原因很直接：CPython 比 C++ 慢 20-50 倍，竞赛平台的时间限制是以 C++ 为基准设的，Python 超时是真的超时，不是错觉。

同一个"写算法"的问题，两个场景给出完全相反的答案。

所以"哪个语言适合写算法"基本是个伪问题。真正坑人的不是选错语言，是没搞清楚自己在哪个场景，然后拿错场景的标准来要求自己：抱着 C 学《算法导论》以为这叫练基本功，结果一半时间在跟指针和越界较劲；为了显得专业用 C++ 刷 LeetCode，写得又慢又容易错，面试官其实只想看思路。语言没选错，场景搞反了。

常见的写算法其实就四种情况，先对号入座。

抱着 CLRS 学算法理论、上数据结构课，要的是把分治、动归、图论这些思想装进脑子，代码只是验证理解的草稿纸，跑得快慢无所谓。

刷 LeetCode、牛客准备面试，是另一回事——45 分钟内写出能过判题、面试官还看得懂的解法，时间是这里唯一的硬通货。

打 Codeforces、ACM 这类竞赛，时间和内存限制卡到极限，常数、STL 的底层行为、读入优化全都要抠。

做科学计算，物理仿真、信号处理、数学建模那一类，核心是矩阵运算和数值精度，算法对不对、数值稳不稳定，比代码风格重要得多。

这四种情况下，"哪个语言好"的答案差得很远，下面分开说。

学算法理论：Python 几乎没有对手

《算法导论》的伪代码是这样的：

MERGE-SORT(A, p, r)
if p ≥ r
return
  q = ⌊(p + r) / 2⌋
  MERGE-SORT(A, p, q)
  MERGE-SORT(A, q + 1, r)
  MERGE(A, p, q, r)

Python 翻译这段几乎是逐行映射：

defmerge_sort(arr):
if len(arr) <= 1:
return arr
    mid = len(arr) // 2
    left = merge_sort(arr[:mid])
    right = merge_sort(arr[mid:])
    result, i, j = [], 0, 0
while i < len(left) and j < len(right):
if left[i] <= right[j]:
            result.append(left[i]); i += 1
else:
            result.append(right[j]); j += 1
return result + left[i:] + right[j:]

换 C 语言实现同一个算法，脑子里要同时管：临时数组开多大、三个推进指针的边界、l + (r - l) / 2 为什么不直接写 (l + r) / 2（整数溢出防护）。

这些细节本身没有错，但它们消耗的是同一份注意力，而目标是理解分治结构、理解递归树、理解为什么时间复杂度是 O(n log n)。衡量语言摩擦的标准很简单：实现过程中花了多少时间在"让代码通过编译"和"让代码在逻辑上正确"之间切换？ Python 几乎把前者降到零。

C 有没有价值？有，但用法完全不一样：在需要往深处看的时候，提供一个向下的通道。

举个具体的例子。CLRS 提到快速排序是原址排序（in-place），缓存友好。这在 Python 里是个结论，接受就行。用 C 重写一遍 partition，能看见：所有操作在同一块内存上发生，没有任何临时拷贝，i 和 j 在连续地址上移动：

intpartition(int arr[], int low, int high){
int pivot = arr[high];
int i = low - 1;
for (int j = low; j < high; j++) {
if (arr[j] <= pivot) {
            i++;
int tmp = arr[i]; arr[i] = arr[j]; arr[j] = tmp;
        }
    }
int tmp = arr[i+1]; arr[i+1] = arr[high]; arr[high] = tmp;
return i + 1;
}

"缓存友好"从结论变成了可以感知到的东西。

Python 是主战场，C 是偶尔往深处看一眼的工具。

面试刷题：默认 Python，但有例外

LeetCode 上 C++、Java、Python 的用户量大致三分天下，各占约 26%。但如果问面试官更希望候选人用什么，答案更多是 Python。

原因很实际：同一道题，Python 通常比 C++ 少写 30-40% 的代码。在 45 分钟的面试里，5-8 分钟的差距足够多处理一个边界情况，或者把解法解释得更清楚。面试官评分的是算法思维，不是代码执行速度。

但 Python 有几个真实的陷阱，在面试里踩到会直接出错：

陷阱一：list.pop(0) 是 O(n)，不是 O(1)。

用列表模拟队列，做 BFS：

# 错误写法，pop(0) 是 O(n)，BFS 会从 O(n) 变成 O(n²)
queue = [start]
while queue:
    node = queue.pop(0)

# 正确写法
from collections import deque
queue = deque([start])
while queue:
    node = queue.popleft()  # O(1)

陷阱二：默认递归深度上限是 1000。

写 DFS 递归解法，数据量一大直接 RecursionError：

import sys
sys.setrecursionlimit(10000)  # 要么提前调高上限，要么改成迭代写法

陷阱三：Python 没有内置最大堆，用负数模拟。

import heapq
# heapq 是最小堆，取最大值要取负
heap = []
heapq.heappush(heap, -val)
max_val = -heapq.heappop(heap)

踩到这些，算法逻辑本身通常没问题，基本是 Python 行为不熟。提前知道，遇到了能快速定位。

反过来，Python 刷题真正的优势是标准库，几个东西不知道就是白白多写代码。最值钱的是 functools.lru_cache，记忆化递归一行搞定，斐波那契、爬楼梯这类一加装饰器就从指数级降到线性：

from functools import lru_cache

@lru_cache(maxsize=None)   # Python 3.9+ 可以直接用 @cache
defclimb(n):
if n <= 2: return n
return climb(n - 1) + climb(n - 2)

剩下几个高频的：collections.Counter 一行统计词频，defaultdict(list) 建邻接表不用判 key 在不在，bisect.bisect_left 在有序数组里二分定位、bisect.insort 二分插入，heapq.nlargest(k, ...) 直接拿前 k 大。这些底层都是 C 实现，比手写循环又快又短。会用和不会用，同一道中等题能差出十几行代码和五分钟。

例外情况： 本身 C++ 写得很熟练，或者面试高频交易（HFT）方向的岗位，C++ 是更合适的选择。用不熟悉的语言准备面试，反而是给自己加难度。

算法竞赛：C++ 没有商量余地

Codeforces 顶级选手几乎全用 C++，原因直接：

竞赛题目的时间限制以 C++ 为基准，Python 会真实超时。STL 的 sort、priority_queue、unordered_map 都是高度调优过的实现，竞赛里踩常数、卡内存，C++ 的底层控制权是最大的。

PyPy 比 CPython 快 5-10 倍（JIT 编译），部分平台支持，能解决一部分超时问题。但在时间限制极紧的题目上，还是会被 C++ 拉开差距。

想打竞赛，C++ 是唯一值得投入的选择。

科学计算：MATLAB 和 Python 的此消彼长

这里有一个近几年在发生的转变值得说清楚。

MATLAB 在数值算法领域的地位一直很特殊。语法接近数学公式：

x = A \ b;           % 解线性方程组 Ax = b（自动选 LU 或 QR 分解）
[V, D] = eig(A);     % 特征值分解
Y = fft(signal);     % 快速傅里叶变换

背后调用的是工业级数值库，在纯矩阵运算上比 NumPy 快约 10-30%（R2025a vs NumPy 的最新基准数据）。

但 MATLAB 的处境在变。TIOBE 指数里 MATLAB 排第 17 位，Python 在前两名，差距超过十倍。AI/ML 的所有主流框架（TensorFlow、PyTorch、scikit-learn）全是 Python 生态。更实际的问题：MATLAB 是商业软件，一个完整授权每年几千到几万元，离开校园后很多公司根本不会买。

Python 的数值计算栈（NumPy + SciPy + Matplotlib）已经能覆盖绝大部分科学计算场景。学术圈用 MATLAB 的比例在下降，物理、化学、生物信息等领域的论文代码大量转移到 Python。

具体建议：如果课程或实验室要求 MATLAB，学它，用好它，在某些工程领域（Simulink 建模、控制系统）还没有等价替代。如果是为长期做准备，NumPy/SciPy 的投入回报更高，学的东西可以无缝对接 AI/ML。两者不是非此即彼，MATLAB 有 Python 基础的话一个月能上手。

Go 呢

Go 作为面试语言这几年有一小部分用户在增长，主要集中在 Stripe、Cloudflare 这类以 Go 为主要后端语言的公司——候选人日常写 Go，面试就用 Go，合理的。

不是专门写 Go 后端的，用 Go 学算法或者刷题，没什么特别的理由。标准库的算法工具不如 Python 丰富，学习资源少，社区里算法相关的讨论也小得多。

速查

同一个 BFS，Python 版在 LeetCode 上直接 AC，搬到 Codeforces 时间限制紧的题目里可能超时，这两件事都对，因为两边判题标准不一样——这其实是选语言之前最该想清楚的事。

Python 那三个坑（deque vs list.pop(0)、递归上限 1000、最大堆取负）不知道有多少人是在真实面试里才踩到的，评论区说说是什么题触发的。