在python中嵌入循環的多線程

Question

我有一個python代碼，它對Shapefile中包含的數據執行一些操作。

除其他東西，代碼執行此：

xxx=0 
for i in channels: 
     ptsi=mat(shapes[i].points) 
     xx = ptsi[:,0] 
     yy = ptsi[:,1] 

     nanx=argwhere(isnan(xx))  
     nany=argwhere(isnan(yy)) 

     if (nanx == nany and len(nanx) != 0): 
      xx[nanx] = [] 
      yy[nany] = [] 
     elif (len(nanx) != 0 or len(nany) != 0): 
      xx = [] 
      yy = [] 

     if (len(xx) > 0):   
     yyy = 0 
     dd = str(i*100/N_channels) + '%\r\r' 
     # os.write(1,dd) 
     dist = zeros(len(xx)-1) 

     dist = dist_min 
     for j in channels: 
      pts=mat(shapes[j].points) 
      xx2 = pts[:,0] 
      yy2 = pts[:,1] 

      nanx=argwhere(isnan(xx2))   
      nany=argwhere(isnan(yy2)) 

      if (nanx == nany and len(nanx) != 0): 
      xx2[nanx] = [] 
      yy2[nany] = [] 
      elif (len(nanx) != 0 or len(nany) != 0): 
      xx2 = [] 
      yy2 = [] 
      if (len(xx2) > 0): 
      if (i != j): 
       ds = gaa(xx,yy,xx2[0],yy2[0]) 
       de = gaa(xx,yy,xx2[-1],yy2[-1]) 
       nande = ~isnan(de) 
       nands = ~isnan(ds) 
       fe = np.argwhere(de<=dist) 
       fs = np.argwhere(ds<=dist) 
       nozeroe = array(where(de != 0)) 
       nozeroe = nozeroe[0] 
       nozeros = array(where(ds != 0)) 
       nozeros = nozeros[0] 
       if(fs.size >0): 
        iis=array(np.argwhere(array(ds==min(ds)))) 

        iis = iis.flatten() 
        iis = iis[0] 
        p1 = xxx + iis 
        p2 = yyy 
        G.add_edge(p2,p1,weight=w_con) 

       elif (fe.size > 0): 
        iie=array(np.argwhere(array(de==min(de)))) 
        iie = iie.flatten() 
        iie = iie[0] 
        p1 = xxx + iie 
        p2 = yyy + len(pts) -1 
        G.add_edge(p2,p1,weight=w_con) 

      yyy = yyy + len(pts) 

     xxx = xxx + len(ptsi) 

基本上，在折線的代碼掃描和爲了在（使用Networkx）的公共圖表合併然後搜索的最小距離。這部分工作正常，但這是非常緩慢的，因爲我處理的對象數量超過了100個（它在當前版本中需要大約20個小時）。

這些嵌入的循環是效率不高，所以我想知道，如果使用多線程可能是有益的，如果是這樣，我怎麼能修改此相當部分的代碼？如果可以提供幫助，我可以使用CUDA或OpenCL。

感謝您的任何反饋！

Answer 1

更多的線程不會幫助;更多的流程可能會發生，但如果您可以使用CUDA，那可能是一個好的舉措。線程只是一種讓多個事物共享一個進程CPU時間的方法，它不會加速緩慢的代碼，但會讓你更慢。

Answer 2

由於Global Interpreter Lock，Python代碼無法通過多線程完全利用多個內核，需要使用多處理才能充分利用多個內核。