并行化第n个阶乘python程序的更好方法？

我有这个python代码来计算一行中n“1”的第n个阶乘。我已经能够很好地优化它，包括使用多处理模块将其调整为在所有内核上运行。然而，我注意到第7个进程（这是值的低端，因为我从上到下）比其他线程要快得多。线程0-6平均耗时32秒，其中线程7仅耗时12秒。我本以为数字越大，差距就越大，但我不希望马上出现如此明显的差距

在我的代码中，除了导致这堵巨大的墙的计算之外，还有什么我遗漏了的吗？我已经验证了输出，每个段的长度几乎相同（线程7稍微长了几十次计算，但在总体方案中，这算不了什么，线程7是运行时间最短的）

有没有更好的方法来并行处理这个问题以提高效率？使线程的增量不完全相同会有帮助吗

编辑：添加python版本信息

win32上的Python 3.8.5（tags/v3.8.5:580FBB02020年7月20日15:57:54）[MSC v.1924 64位（AMD64）]

（我做了25次n=11的测试，所有测试都与这次运行非常相似）

导入多处理
导入argparse
从日期时间导入日期时间
从数学导入日志10
parser=argparse.ArgumentParser(
formatter_class=argparse.HelpFormatter，
description=“Calcs n factorial”，
用法=“”
)
add_参数（“-n”，“--number”，type=int，default=2）
args=parser.parse_args（）
def getlog（发送端，i，线程，num，n，inc）：
begin=datetime.now（）
start=num inc*i
如果imultiprocessing.cpu\u count（）否则1
inc=int（num/线程）
inc-=inc%n
工作=[]
管道列表=[]
对于范围内的i（线程）：
recv_end，send_end=multiprocessing.Pipe（False）
进程（target=getlog，args=（send_end，i，threads，num，n，inc））
jobs.append（p）
管道列表。追加（recv\u end）
p、 开始（）
对于作业中的proc：
proc.join（）
e=总和（[output.recv（）用于管道列表中的输出]）
打印（“%.2fe%d%”（10**（e%1），e//1））
如果uuuu name uuuuuu='\uuuuuuu main\uuuuuuu'：
start=datetime.now（）
main（）
end=datetime.now（）
打印（结束-开始）

以不同幅度重复一百万个数字的次数：

from timeit import repeat
from collections import deque

for e in range(26, 36):
    n = 2**e
    t = min(repeat(lambda: deque(range(n, n+10**6), 0), number=1))
    print(e, t)

在64位Windows上的32位Python上的输出，请注意从230到231时的巨大增长：

在这些范围内映射

log10

仍然显示出大致相同的（绝对）增长：

26 0.14502039999999994
27 0.1435571
28 0.14378349999999962
29 0.14398270000000002
30 0.14687919999999988
31 0.29700239999999933
32 0.29499730000000035
33 0.2949491999999996
34 0.2964432000000006
35 0.2918921999999995

代码：

线程7中的数字都是快量级，而其他线程中的大多数/所有数字都是慢量级

你可以改变你的范围，使他们都通过所有的量级。更简单的示例：使用范围

范围（0,20,2）

和

范围（1,20,2）

代替范围

范围（0,10）

和

范围（1,20,2）

顺便说一句，当64位Windows上的64位Python从230增加到231时，我看到了类似的增长。但在Linux上的64位Python上，从230增加到231时，我看不到任何增加，但从262增加到263时，也有类似的显著增加

更新：

上面删去的段落不正确。如图所示，并不是“数字”太慢（我原以为如此），而是有两种完全不同的

range

实现。只有线程7使用快速线程（用于小数字的线程）。所以我上面的建议是让所有的线程/范围都通过所有的量级，实际上会适得其反。它不会让慢的更快，它只会让快的和其他的一样慢。糟糕透了

---

因此，另一种建议是：不要像你那样给每个线程一个范围，而是给每个线程一个

long

-范围的一部分和一个非

long

范围的一部分。这将使所有线程速度相等，并将总时间减少一点。但是影响很小，对于较大的n，甚至更小，我怀疑这是否值得复杂化。

以不同的量级重复一百万个数字的次数：

from timeit import repeat
from collections import deque

for e in range(26, 36):
    n = 2**e
    t = min(repeat(lambda: deque(range(n, n+10**6), 0), number=1))
    print(e, t)

在64位Windows上的32位Python上的输出，请注意从230到231时的巨大增长：

在这些范围内映射

log10

仍然显示出大致相同的（绝对）增长：

26 0.14502039999999994
27 0.1435571
28 0.14378349999999962
29 0.14398270000000002
30 0.14687919999999988
31 0.29700239999999933
32 0.29499730000000035
33 0.2949491999999996
34 0.2964432000000006
35 0.2918921999999995

代码：

线程7中的数字都是快量级，而其他线程中的大多数/所有数字都是慢量级

你可以改变你的范围，使他们都通过所有的量级。更简单的示例：使用范围

范围（0,20,2）

和

范围（1,20,2）

代替范围

范围（0,10）

和

范围（1,20,2）

顺便说一句，当64位Windows上的64位Python从230增加到231时，我看到了类似的增长。但在Linux上的64位Python上，从230增加到231时，我看不到任何增加，但从262增加到263时，也有类似的显著增加

更新：

上面删去的段落不正确。如图所示，并不是“数字”太慢（我原以为如此），而是有两种完全不同的

range

实现。只有线程7使用快速线程（用于小数字的线程）。所以我上面的建议是让所有的线程/范围都通过所有的量级，实际上会适得其反。它不会让慢的更快，它只会让快的和其他的一样慢。糟糕透了

因此，另一个建议是：Inst

from timeit import repeat
from collections import deque
from math import log10

for e in range(26, 36):
    n = 2**e
    t = min(repeat(lambda: deque(map(log10, range(n, n+10**6)), 0), number=1))
    print(e, t)