例如，让我们使用numpy.sin()
以下代码将返回数组每个值的正弦值a：
import numpy
a = numpy.arange( 1000000 )
result = numpy.sin( a )
但是我的机器有32个核心，所以我想利用它们。（这样的开销可能不值得，numpy.sin()但我实际想要使用的功能要复杂得多，而且我将处理大量数据。）
这是最好的（阅读：最聪明或最快的）方法：
from multiprocessing import Pool
if __name__ == '__main__':
pool = Pool()
result = pool.map( numpy.sin, a )
还是有更好的方法来做到这一点？
有一个更好的方法：numexpr
从他们的主页稍微改写：
它是一个用 C 语言编写的多线程 VM，可以分析表达式，更有效地重写它们，并将它们即时编译成代码，从而在内存和 CPU 受限操作中获得接近最佳的并行性能。
例如，在我的 4 核机器中，评估正弦的速度仅比 numpy 快 4 倍。
In [1]: import numpy as np
In [2]: import numexpr as ne
In [3]: a = np.arange(1000000)
In [4]: timeit ne.evaluate('sin(a)')
100 loops, best of 3: 15.6 ms per loop
In [5]: timeit np.sin(a)
10 loops, best of 3: 54 ms per loop
文档，包括此处支持的功能。您必须检查或向我们提供更多信息，以查看是否可以通过 numexpr 评估您的更复杂的函数。
好吧，如果您运行以下命令，这是一种有趣的注释：
import numpy
from multiprocessing import Pool
a = numpy.arange(1000000)
pool = Pool(processes = 5)
result = pool.map(numpy.sin, a)
UnpicklingError: NEWOBJ class argument has NULL tp_new
没想到，所以发生了什么，嗯：
>>> help(numpy.sin)
Help on ufunc object:
sin = class ufunc(__builtin__.object)
| Functions that operate element by element on whole arrays.
|
| To see the documentation for a specific ufunc, use np.info(). For
| example, np.info(np.sin). Because ufuncs are written in C
| (for speed) and linked into Python with NumPy's ufunc facility,
| Python's help() function finds this page whenever help() is called
| on a ufunc.
是的 numpy.sin 是在 c 中实现的，因此您不能直接将它与多处理一起使用。
所以我们必须用另一个函数包装它
性能：
import time
import numpy
from multiprocessing import Pool
def numpy_sin(value):
return numpy.sin(value)
a = numpy.arange(1000000)
pool = Pool(processes = 5)
start = time.time()
result = numpy.sin(a)
end = time.time()
print 'Singled threaded %f' % (end - start)
start = time.time()
result = pool.map(numpy_sin, a)
pool.close()
pool.join()
end = time.time()
print 'Multithreaded %f' % (end - start)
$ python perf.py
Singled threaded 0.032201
Multithreaded 10.550432
哇，也没有想到，对于初学者来说，有几个问题我们正在使用 python 函数，即使它只是一个包装器而不是纯 c 函数，而且还有复制值的开销，默认情况下多处理不会' t 共享数据，因此每个值都需要来回复制。
请注意，如果正确分割我们的数据：
import time
import numpy
from multiprocessing import Pool
def numpy_sin(value):
return numpy.sin(value)
a = [numpy.arange(100000) for _ in xrange(10)]
pool = Pool(processes = 5)
start = time.time()
result = numpy.sin(a)
end = time.time()
print 'Singled threaded %f' % (end - start)
start = time.time()
result = pool.map(numpy_sin, a)
pool.close()
pool.join()
end = time.time()
print 'Multithreaded %f' % (end - start)
$ python perf.py
Singled threaded 0.150192
Multithreaded 0.055083
那么我们可以从中得到什么，多处理很棒，但我们应该始终测试和比较它，有时它更快，有时它更慢，这取决于它的使用方式......
假设您没有使用numpy.sin但另一个函数，我建议您首先验证多处理确实会加快计算速度，也许来回复制值的开销可能会影响您。
无论哪种方式，我也相信使用pool.map是多线程代码的最佳，最安全的方法......
我希望这有帮助。
SciPy 实际上在这里有一篇关于这个主题的很好的文章：http ://wiki.scipy.org/ParallelProgramming
编辑：死链接，现在可以在以下位置找到： http ://scipy-cookbook.readthedocs.io/items/ParallelProgramming.html