哪种类型的并行Python方法适合有效地传播下面显示的CPU绑定工作负载。并行化该部分是否可行？看起来循环迭代之间没有太多紧密耦合，即循环的各部分可以并行处理，只要在最后完成重建invoice_item变量的适当通信即可。我目前正在使用Python2.7，但是如果能够在较新的版本中轻松处理这个问题，那么我会考虑迁移代码库。
我试图通过下面的例子来捕捉计算的精神。我相信它在循环/变量之间具有与我的实际代码相同的连接性。
store答案 0 :(得分：1)
您可以采取以下两种方法。什么是明智的还取决于瓶颈在哪里，这是最好的测量而不是猜测。
理想的选择是将所有低级优化留给Numpy。现在你有了原生Python代码和Numpy代码的混合。后者不适合循环。当然，它们可以工作，但是通过在Python中使用循环，可以按照指定的顺序强制执行操作。最好让Numpy操作尽可能多地执行多个元素，即矩阵变换。这有利于性能，不仅仅是因为自动（部分）并行化;甚至单线程也能从CPU中获得更多。强烈推荐阅读以了解有关此内容的更多信息，请From Python to Numpy。
如果您确实需要并行化纯Python代码，那么您可以选择多个进程。为此，请参阅multiprocessing模块。将代码重新排列为三个步骤：
你需要在足够的进程之间取得平衡才能使并行化变得有价值，而不是太多以至于它们将过于短暂。然后，启动流程并与流程进行通信的成本将变得非常重要。
一个简单的解决方案是生成(i,j)对的列表，以便有nx*ny个作业。然后创建一个将此对作为输入的函数，并返回(i,j,k,p,meanval)的列表。尝试仅使用函数的输入并返回结果。一切都在当地;没有副作用等。对{（1}}等全局变量的只读访问是可以的，但修改需要采取特殊措施，如文档中所述。将函数和输入列表传递给工作池。完成部分结果生成后，将所有结果合并到myList1。
这是一个示例脚本：
store