我有一个巨大的数据集，我必须来计算它的每一个点的一系列特性。 我的代码是很慢，我想使它更快并列化莫名其妙DO循环。 我想每个处理器来计算“一系列属性”为我的数据的一个子样本有限，然后在一个阵列一起加入的所有属性。 我会试着解释一下我有一个例子做。
比方说，我的数据集的阵列x ：
x = linspace(0,20,10000)
在“属性”我希望得到的是，例如，平方根x ：
prop=[]
for i in arange(0,len(x)):
prop.append(sqrt(x[i]))
现在的问题是我怎么能并行上面的循环？ 假设我有4个处理器，我想他们每个人来计算10000/4 = 2500点的开方。
我试图寻找像一些Python模块multiprocessing和mpi4py而是从引导我找不到答案，这样一个简单的问题。
EDITS
我要感谢大家的宝贵意见和你为我提供的链接。 不过，我想澄清我的问题。 我不感兴趣的sqrt函数任何责任。 我做一个循环内的一系列操作。 我完全知道循环不好和矢量操作总是最好他们，但在这种情况下，我真的要做一个循环。 我不会去到我的问题的细节，因为这会增加不必要的复杂性这个问题。 我想，这样每个处理器做它的一部分分裂我的循环，这意味着我可以运行我的代码40次，每次循环，合并结果的1/40，但是这将是愚蠢的。 这是一个简单的例子
for i in arange(0,len(x)):
# do some complicated stuff
我要的是用40级的CPU来做到这一点：
for npcu in arange(0,40):
for i in arange(len(x)/40*ncpu,len(x)/40*(ncpu+1)):
# do some complicated stuff
那是可能的，或者不使用Python？
我不知道，这是你应该做的事情，我期望numpy的，以有绕了一个更有效的方法的方式，但你只是意思是这样的？
import numpy
import multiprocessing
x = numpy.linspace(0,20,10000)
p = multiprocessing.Pool(processes=4)
print p.map(numpy.sqrt, x)
下面是结果timeit两个解决方案。 作为@SvenMarcach指出，然而，与更昂贵的功能多会开始更加有效。
% python -m timeit -s 'import numpy; x=numpy.linspace(0,20,10000)' 'prop=[]
for i in numpy.arange(0,len(x)):
prop.append(numpy.sqrt(x[i]))'
10 loops, best of 3: 31.3 msec per loop
% python -m timeit -s 'import numpy, multiprocessing; x=numpy.linspace(0,20,10000)
p = multiprocessing.Pool(processes=4)' 'l = p.map(numpy.sqrt, x)'
10 loops, best of 3: 102 msec per loop
在斯文的请求，这里的结果是l = numpy.sqrt(x)其是比任一替代方案的显著更快。
% python -m timeit -s 'import numpy; x=numpy.linspace(0,20,10000)' 'l = numpy.sqrt(x)'
10000 loops, best of 3: 70.3 usec per loop
并行化是不平凡的，但你可能会发现numexpr有用。
对于数字的工作 ，你真的应该看看numpy的给你（公用事业矢量化和类似的），这会给你通常是一个好加速的基础上工作。
对于较复杂的，非数值的情况下 ，你可以使用multiprocessing （见注释）。
在阿里纳斯，多线程比其他语言更加不平凡的Python，是CPython中具有全局解释器锁（GIL） ，其不允许的Python代码两段在同一时间在同一个解释器运行（即有没有真正的多线程纯Python代码）。 对于I / O和重计算，第三方库却倾向于释放锁，使有限的多线程是可能的。
这增加了通常的多线程滋扰具有互斥共享数据存取和类似的。
我建议你看一看用Cython： http://www.cython.org/
它使您能够真正快速创建蟒蛇C扩展，并与numpy的整合得非常好。 这里是一个很好的教程，可以帮助你开始： http://docs.cython.org/src/tutorial/numpy.html
