Python是一门非常适合处理数据和自动化完成重复性工作的编程语言，我们在用数据训练机器学习模型之前，通常都需要对数据进行预处理，而Python就非常适合完成这项工作，比如需要重新调整几十万张图像的尺寸，用Python没问题！
你几乎总是能找到一款可以轻松完成数据处理工作的Python库。
然而
虽然Python易于学习，使用方便，但它并非运行速度最快的语言。
默认情况下，Python程序使用一个CPU以单个进程运行。
不过如果你是在最近几年配置的电脑，通常都是四核处理器，也就是有4个CPU。
这就意味着在你苦苦等待Python脚本完成数据处理工作时
你的电脑其实有75%甚至更多的计算资源就在那闲着没事干！
今天就教大家怎样通过并行运行Python函数，充分利用你的电脑的全部处理能力。
得益于Python的 concurrent.futures 模块，
我们只需3行代码
就能将一个普通数据处理脚本变为能并行处理数据的脚本，提速4倍。
普通Python处理数据方法
比方说：
我们有一个全是图像数据的文件夹，想用Python为每张图像创建缩略图。
下面是一个短暂的脚本：
用Python的内置glob函数获取文件夹中所有JPEG图像的列表，
然后用Pillow图像处理库为每张图像保存大小为128像素的缩略图：
这段脚本沿用了一个简单的模式
你会在数据处理脚本中经常见到这种方法：
- 首先获得你想处理的文件（或其它数据）的列表
- 写一个辅助函数，能够处理上述文件的单个数据
- 使用for循环调用辅助函数，处理每一个单个数据，一次一个。
咱们用一个包含1000张JPEG图像的文件夹测试一下这段脚本，
看看运行完要花多长时间：
运行程序花了8.9秒，但是电脑的真实工作强度怎样呢？
我们再运行一遍程序
看看程序运行时的活动监视器情况：
电脑有75%的处理资源处于闲置状态！这是什么情况？
这个问题的原因就是我的电脑有4个CPU，但Python只使用了一个。
所以程序只是卯足了劲用其中一个CPU，另外3个却无所事事。
因此我需要一种方法能将工作量分成4个我能并行处理的单独部分。
幸运的是，Python中有个方法很容易能让我们做到！
试试创建多进程
下面是一种可以让我们并行处理数据的方法：
- 将JPEG文件划分为4小块。运行Python解释器的4个单独实例。
- 让每个Python实例处理这4块数据中的一块。
- 将这4部分的处理结果合并，获得结果的最终列表。
4个Python拷贝程序在4个单独的CPU上运行，
处理的工作量应该能比一个CPU大约高出4倍，
对吧？
最妙的是，Python已经替我们做完了最麻烦的那部分工作。
我们只需告诉它想运行哪个函数以及使用多少实例就行了，剩下的工作它会完成。
整个过程我们只需要改动3行代码。
首先
我们需要导入concurrent.futures库
这个库就内置在Python中：
接着，我们需要告诉Python启动4个额外的Python实例。
我们通过让Python创建一个Process Pool来完成这一步：
默认情况下：
它会为你电脑上的每个CPU创建一个Python进程，
所以如果你有4个CPU，就会启动4个Python进程。
***一步：
让创建的Process Pool用这4个进程在数据列表上执行我们的辅助函数。
完成这一步，我们要将已有的for循环：
替换为新的调用executor.map():
该executor.map()函数调用时需要输入辅助函数和待处理的数据列表。
这个函数能帮我完成所有麻烦的工作
包括将列表分为多个子列表、将子列表发送到每个子进程、运行子进程以及合并结果等。
干得漂亮！
这也能为我们返回每个函数调用的结果。
Executor.map()函数会按照和输入数据相同的顺序返回结果。
所以我用了Python的zip()函数作为捷径，一步获取原始文件名和每一步中的匹配结果。
这里是经过这三步改动后的程序代码：
我们来运行一下这段脚本
看看它是否以更快的速度完成数据处理：
脚本在2.2秒就处理完了数据！比原来的版本提速4倍！
之所以能更快的处理数据
是因为我们使用了4个CPU而不是1个。
但是
如果你仔细看看，会发现“用户”时间几乎为9秒。
那为何程序处理时间为2.2秒，但不知怎么搞得运行时间还是9秒？
这似乎不太可能啊？
这是
因为“用户”时间是所有CPU时间的总和，
我们最终完成工作的CPU时间总和一样，都是9秒，
但我们使用4个CPU完成的，实际处理数据时间只有2.2秒！
注意：
启用更多Python进程以及给子进程分配数据都会占用时间，因此靠这个方法并不能保证总是能大幅提高速度。
这种方法总能帮我的数据处理脚本提速吗？
如果你有一列数据
并且每个数据都能单独处理时，使用我们这里所说的Process Pools是一个提速的好方法。
下面是一些适合使用并行处理的例子：
- 从一系列单独的网页服务器日志里抓取统计数据。
- 从一堆XML，CSV和JSON文件中解析数据。
- 对大量图片数据做预处理，建立机器学习数据集。
但也要记住，Process Pools并不是***的。
使用Process Pool需要在独立的Python处理进程之间来回传递数据。
如果你要处理的数据不能在处理过程中被有效地传递，这种方法就行不通了。
简而言之，你处理的数据必须是Python知道怎么应对的类型。
同时
也无法按照一个预想的顺序处理数据。
如果你需要前一步的处理结果来进行下一步，这种方法也行不通。
那GIL的问题呢？
你可能知道Python有个叫全局解释器锁（Global Interpreter Lock）的东西，即GIL。
这意味着即使你的程序是多线程的，每个线程也只能执行一个Python指令。
GIL确保任何时候都只有一个Python线程执行。
换句话说：
多线程的Python代码并不能真正地并行运行，从而无法充分利用多核CPU。
但是Process Pool能解决这个问题！
因为我们是运行单独的Python实例，每个实例都有自己的GIL。
这样我们获得是真正能并行处理的Python代码！
不要害怕并行处理！
有了concurrent.futures库
Python就能让你简简单单地修改一下脚本后，立刻让你电脑上所有CPU投入到工作中。
不要害怕尝试这种方法，一旦你掌握了
它就跟一个for循环一样简单
却能让你的数据处理脚本快到飞起。
