问题描述
想问一些关于python解释器底层原理的问题，因为我自己搜索的时候没有得到太多有用的信息。
我最近一直在使用 rust 编写 python 插件，这大大加快了 python 的 cpu 密集型任务，并且与 c 相比，它的编写速度也更快。但是它有一个缺点就是，相比旧的使用cython加速的方案，rust（我用的是pyo3）的调用开销似乎比c（我用的是cython）要大，
def empty_function():
return 0
在 Python 中通过 for 循环调用它一百万次并计算时间，以便我们可以发现每次调用大约需要 70 纳秒（在我的电脑中）。
# test.pyx
cpdef unsigned int empty_function():
return 0
执行时间将减少到 40 纳秒。这意味着我们可以使用 cython 进行一些细粒度的嵌入，并且我们可以期望它总是比原生 python 执行得更快。
但是说到 Rust，（老实说，我现在更喜欢使用 rust 进行插件开发而不是 cython，因为不需要在语法上做一些奇怪的黑客攻击），调用时间将增加到 140 纳秒，几乎是两倍与原生 python 一样多。源代码如下：
use pyo3::prelude::*;
use pyo3::wrap_pyfunction;
#[pyfunction]
fn empty_function() -> usize {
0
}
#[pymodule]
fn testlib(_py: Python,m: &PyModule) -> PyResult<()> {
m.add_function(wrap_pyfunction!(empty_function,m)?)?;
Ok(())
}
这意味着rust不适合python的细粒度嵌入式替换。如果有一个任务的调用时间很少，每次调用都需要很长时间，那么使用 rust 是完美的。但是如果有一个任务会在代码中被大量调用，那么它似乎不适合使用 rust，因为类型转换的开销会占用大部分加速时间。
我想知道这是否可以解决，更重要的是，我想知道这种差异的根本原因。 cpython解释器在它们之间调用时是否有某种区别，比如调用c插件时cpython和pypy之间的区别？我可以从哪里获得更多信息？谢谢。
===
更新：
抱歉各位，没想到我的问题会模棱两可，毕竟三者的源码都已经给出了，使用timeit来测试函数运行时几乎是python开发中的约定俗成。
我的测试代码与@Jmb 注释中的代码几乎完全相同，但有一些细微差别，我使用 python setup.py build_ext --inplace 方式构建而不是裸 gcc，但这应该没有任何区别。不管怎样，谢谢补充。
解决方法
正如评论中所建议的，这是一个自我回答。
由于评论区的讨论没有得出明确的结论，所以我去 pyo3 的 repo 中提出了一个问题，并从其主要维护者那里得到了回应。
总之，结论就是pyo3或者cython编译的插件在cpython调用的时候没有本质区别。当前速度差异来自优化深度不同。