在python中，我们可以通过concurrent.futures 的 ProcessPoolExecutor 创建多进程，实现并行方式，从而提高运算速度
举个例子，我们写了个一个函数fibonacci, 用于计算斐波那契数
# 计算斐波那契数的函数
def fibonacci(n):
if n <= 1:
return n
else:
return fibonacci(n-1) + fibonacci(n-2)
如果我们是顺序运算，那么用时10.5秒，平均每个任务2秒。
%%time
# 顺序计算斐波那契数
def compute_fibonacci(numbers):
for num in numbers:
result = fibonacci(num)
print(f'Fibonacci({num}) = {result}')
# 要计算的斐波那契数列表
numbers = [35, 35, 35, 35, 35]
compute_fibonacci(numbers)
# 时间
CPU times: user 10.5 s, sys: 0 ns, total: 10.5 s
Wall time: 10.5 s
如果是并行运算，那么用时只需要2.36 s，比原来快了将近4倍。
%%time
from concurrent.futures import ProcessPoolExecutor, as_completed
# 使用 ProcessPoolExecutor 计算斐波那契数
def compute_fibonacci(numbers):
# 创建 ProcessPoolExecutor
with ProcessPoolExecutor() as executor:
# 提交任务到进程池
futures = [executor.submit(fibonacci, num) for num in numbers]
# 等待每个任务完成并获取结果
for future in as_completed(futures):
result = future.result()
print(f'Result: {result}')
# 要计算的斐波那契数列表
numbers = [35, 35, 35, 35, 35]
compute_fibonacci(numbers)
# 时间
CPU times: user 16.6 ms, sys: 140 ms, total: 157 ms
Wall time: 2.36 s
需要注意的是，我们案例用的是numbers = [35, 35, 35, 35, 35], 假设，我们换成 numbers = [1] * 100, 那么顺序执行只需要485 µs，而并行却需要2.35 s，反而速度更慢了。
根据上述案例，就可以得到关于python加速的一个心得，无脑多进程不可取，因为多进程存在额外开销，例如
- 进程创建和管理：ProcessPoolExecutor 使用多进程并行处理任务，进程的创建和管理（启动、通信、结束）本身就有一定的开销。对于非常快速的计算任务（如计算斐波那契数1），这种开销可能远远超过了任务本身的计算时间。
- 任务分配和结果收集：在并行执行时，每个任务都需要从主进程发送到工作进程，然后工作进程完成计算后，结果还需要发送回主进程。这个过程涉及到序列化和反序列化数据，以及进程间通信的开销，这些都会影响总体执行时间。
因此，在使用concurrent模块时，需要先用少量数据测试下是否真的值得并行。
