Python线程速度出人意料地慢

我决定学习如何在Python中实现多线程，并做了一个比较，看看在双核CPU上可以获得什么样的性能提升。我发现我的简单多线程代码实际上比顺序代码运行得慢，我不明白为什么

我设计的测试是生成一个大的随机数列表，然后打印最大值

from random import random
import threading

def ox():
    print max([random() for x in xrange(20000000)])

ox（）；ox（）

大约需要12秒

然后，我尝试从两个线程调用ox（），看看完成的速度有多快

def go():
    r = threading.Thread(target=ox)
    r.start()
    ox()

go（）。为什么要慢一点

我怀疑
ox（）。Python会自动并行化类似于
max（）
的东西吗

Python拥有GIL。Python字节码一次只能由单个处理器执行。只有某些C模块（不管理Python状态）能够并发运行
Python GIL在锁定线程之间的状态方面有巨大的开销。在较新的版本或开发分支中有针对这一问题的修复程序，至少应该使多线程CPU绑定代码与单线程代码一样快
您需要使用多进程框架来与Python并行。幸运的是，Python附带的模块使这变得相当容易

很少有语言能够自动并行化表达式。如果这是您想要的功能，我建议使用Haskell（数据并行Haskell）
问题在于函数random（）
如果从代码中删除随机项。
两个内核都试图访问随机函数的共享状态。
内核必然会工作，并在缓存同步上花费大量时间。
这种行为被称为虚假分享。
阅读本文
正如Yann正确指出的那样，Python GIL阻止了本例中的并行化。您可以使用python多处理模块来解决这个问题，或者如果您愿意使用其他开源库，这也是解决GIL问题的一个很好的选择，并且比python多处理库更易于使用，并且具有更多的功能

以下是如何使用Ray并行化代码示例：

from random import random
import ray

ray.init()

@ray.remote
def ox():
    print(max([random() for x in range(20000000)]))

%time x = ox.remote(); y = ox.remote(); ray.get([x, y])

在我的机器上，您发布的单线程ox（）代码需要1.84秒，两个调用加上ray take 1.87秒，因此我们在这里得到了几乎完美的并行化

Ray还使任务之间的数据共享变得非常高效，在一台机器上，它将使用引擎盖下的共享内存，请参阅

您还可以在集群或云上的不同机器上运行相同的程序，而无需修改程序，请参阅文档（和）

免责声明：我是Ray开发人员之一。
值得注意的是，线程在Python中对于某些类型的任务仍然很有用，例如I/O绑定操作。