FilesExpand file tree

 master

/

mt_pro.py

Copy path

Blame

More file actions

Blame

More file actions

Latest commit

 

History

History

History

54 lines (51 loc) · 2.53 KB

 master

/

mt_pro.py

Copy path

Top

File metadata and controls

• Code
• Blame

54 lines (51 loc) · 2.53 KB

Raw

Copy raw file

Download raw file

Open symbols panel

Edit and raw actions

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

# -*- coding: utf-8 -*-

'''

Created on 2019年5月5日 下午2:39:26

Zhukun Luo

Jiangxi University of Finance and Economics

'''

#使用multiprocessing实例

import multiprocessing

import time

class Process(multiprocessing.Process):#继承父类,实现多进程

def __init__(self,id):#初始化资源

super(Process,self).__init__()

self.id=id

def run(self):

time.sleep(1.0)

print('我是进程 {} 号'.format(self.id))#等待一秒钟打印自己的id

def square(x):

return x**2

if __name__=='__main__':

p=Process(1)

p.start()#我是进程 1 号

#start后面的指令将立即执行，而不是等到p结束再执行，要等到任务结束可使用Process.join()

p.join()

#启动多个并行执行的进程

processes=Process(2),Process(3),Process(4),Process(5)

[p.start() for p in processes]

'''

我是进程 2 号

我是进程 3 号

我是进程 4 号

我是进程 5 号

'''

#执行顺序无法预测的

#模块multiprocessing暴露了一个方便的接口，轻松地给驻留在multiprocessing.pool类中的进程分配任务

#multiprocessing.pool类生成一组工作进程。要提交任务可使用方法apply，apply_async和map/map_async

'''

1. map() 是一个Series的函数，DataFrame结构中没有map()。map()将一个自定义函数应用于Series结构中的每个元素(elements)。

2. apply()和applymap()是DataFrame结构中的函数，Series中没有。它们的区别在于，apply()将一个函数作用于DataFrame中的每个行或者列，而applymap()是将函数做用于DataFrame中的所有元素(elements)。​

'''

#pool.map对列表中的每一个元素执行指定的函数，并返回一个包含结果的列表，与内置map函数相同。要使用并行映射(map)，必须先初始化一个multiprocessing.pool对象。它将工作进程数作为第一个参数。默认为系统包含的内核数量

pool=multiprocessing.Pool(processes=4)

inputs=[0,1,2,3,4,5,6]

outputs=pool.map(square,inputs)#阻塞主程序

print(outputs)#[0, 1, 4, 9, 16, 25, 36]

outputs1=pool.map_async(square,inputs)

print(outputs1)#<multiprocessing.pool.MapResult object at 0x7fd972905690>，不阻塞

print(outputs1.get())#[0, 1, 4, 9, 16, 25, 36]

#pool.apply_async将由单个函数组成的任务分配给一个工作进程，它将这个函数及其参数作为参数，返回一个asyncResult对象

result_async=[pool.apply_async(square,i) for i in range(100)]

results=[r.get() for r in result_async]

print(results)