解放計算力：使用並行處理提升python for迴圈速度

Python 是一門功能強大的程式語言，但在處理大規模資料或複雜計算任務時，效能可能成為一個瓶頸。幸運的是，Python 提供了多種方法來提升效能，其中之一是利用並行處理來加速回圈操作。本文將介紹如何使用並行處理技術來優化 for 迴圈，從而提高 Python 程式的執行速度。我們將討論並行處理的概念、常用的並行處理庫以及範例程式碼來演示如何應用並行處理來加速 for 迴圈。

一、什麼是並行處理

在電腦科學中，"並行處理" 是指同時執行多個任務或操作的技術。它利用多個處理單元或執行緒來並行執行任務，從而提高程式的執行速度。在 Python 中，我們可以利用多執行緒、多程序或非同步程式設計等技術來實現並行處理。

二、常用的並行處理庫

Python 提供了多個並行處理庫，其中一些常用的庫包括：

1. multiprocessing：這個內建庫提供了跨平臺的多程序支援，可以使用多個程序並行執行任務。
2. threading：這個內建庫提供了多執行緒支援，可以在同一程序內使用多個執行緒並行執行任務。
3. concurrent.futures：這個標準庫提供了高階的並行處理介面，可以使用執行緒池或程序池來管理並行任務的執行。
4. joblib：這是一個流行的第三方庫，提供了簡單的介面來並行執行 for 迴圈，尤其適用於科學計算和機器學習任務。
5. dask：這是一個靈活的第三方庫，提供了並行處理和分散式計算的功能，適用於處理大規模資料集。

在本文中，我們將重點關注 multiprocessing 和 joblib 這兩個庫來進行示範。

三、並行處理 for 迴圈的範例程式碼

為了演示如何使用並行處理技術來加速 for 迴圈，我們將採用一個簡單的範例場景：計算一個列表中每個元素的平方值，並將結果儲存在新的列表中。

使用 multiprocessing 進行並行處理

import time
import multiprocessing

def square(num):
    time.sleep(1)  # 模擬耗時的計算操作
    return num ** 2

if __name__ == '__main__':
    numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

    # 普通的 for 迴圈
    start_time = time.time()
    results = []
    for num in numbers:
        results.append(square(num))
    end_time = time.time()
    print("普通的 for 迴圈時間：", end_time - start_time)

    # 並行處理
    start_time = time.time()
    pool = multiprocessing.Pool()
    results = pool.map(square, numbers)
    pool.close()
    pool.join()
    end_time = time.time()
    print("並行處理時間：", end_time - start_time)

在上述程式碼中，我們定義了一個 square 函數，用於計算給定數位的平方。然後，我們建立了一個 multiprocessing.Pool 物件，它管理了一個程序池。通過呼叫 pool.map 方法，我們將 square 函數應用到 numbers 列表的每個元素上，並使用多個程序並行執行。最後，我們獲得了計算結果並列印輸出。
輸出效果：

使用 joblib 進行並行處理

import time
from joblib import Parallel, delayed

def square(num):
    time.sleep(1)  # 模擬耗時的計算操作
    return num ** 2

if __name__ == '__main__':
    numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

    start_time = time.time()
    # 平行計算每個數位的平方
    results = Parallel(n_jobs=-1)(delayed(square)(num) for num in numbers)
    end_time = time.time()

    # 列印計算結果
    print(results)
    print("並行處理時間：", end_time - start_time)

在上述程式碼中，我們使用了 joblib 庫的 Parallel 函數和 delayed 裝飾器。通過將 square 函數應用到 numbers 列表的每個元素上，我們可以使用多個執行緒或程序來並行執行計算。n_jobs=-1 表示使用所有可用的處理器核心。
輸出效果：

四、總結

本文介紹瞭如何利用並行處理技術來優化 Python 中的 for 迴圈，從而提高程式的執行速度。我們討論了並行處理的概念，介紹了常用的並行處理庫，以及展示了使用 multiprocessing 和 joblib 庫進行並行處理的範例程式碼。通過並行處理，我們可以充分利用多核處理器和多執行緒/程序的優勢，加速程式的執行並提升效率。然而，在使用並行處理時，需要注意避免共用資源的競爭和處理器負載的平衡，以免引入額外的複雜性。因此，在實際應用中，需要根據具體情況選擇合適的並行處理方案。希望本文能夠幫助你理解並行處理的概念和應用，並在需要優化 Python 程式效能時提供有益的指導。