Python中的多线程与多进程
这几天在实验室处理数据，数据量太大，首先想到多线程，结果效率比单线程还低；后来在学长推荐下看了一下这方面的内容，总算是搞清楚了其中原因，在此记录。
多数是事后凭记忆写的，可能有些瑕疵。
并发与并行
之前一直以为这是同一个意思，其实差的很远：
并发：同时段内交替执行多个任务（打游戏时吃饭的状态）
并行：同时段内同时执行多个任务（看电视时吃饭的状态）
重要的结论：python只能并发，不能并行。
线程与进程
简单说，一个程序至少有一个进程，一个进程至少有一个线程；
进程由系统分配资源，有单独的唯一进程号和地址空间，线程由CPU调度，同进程内共享进程号和地址空间；
Python中Threading和MultiProcessing库分别提供了线程和进程操作。
GIL与互斥锁
早前刚接触多线程的时候，就知道要用互斥锁来保护变量操作原子性；
Python内部也有一个锁，Global Interpretation Lock (GIL)；它的功能是每执行1000字节码就自动拿回主线程控制权，这样保证了线程安全，却让Python永远的只能支持单线程并行；GIL主要存在于CPython解释器中，而在JPython中没有，但主流的库都依赖于CPython的C特性以及GIL的线程安全性，所以后续维护中难以去除它。
IO密集型和CPU密集型
尽管是fake multithread，仍然有许多实用场景；在一些测试样例中，Python多线程确实也能提高效率；那么能否有效率提升就在于每个任务的操作类型比例：
IO密集型操作指的是对网络、硬盘等读取写入频繁的操作；CPU密集型操作指的是计算量大、需要CPU持续加载的操作；
由于Python只能并发特性，对于CPU密集型操作，多线程的提升几乎为0，甚至因为线程切换消耗导致效率降低；但是对于IO密集型操作，通过在IO操作期间插入CPU操作，可以有效利用CPU资源；
量化来讲，如果CPU操作占比是x，核心数是n，那么应该采用 (n/x) 线程并发，当然Python中核心数与硬件无关，GIL决定了n永远是1；
总结
在Python中，多线程还是多进程一定要根据操作类型来考虑。
