1. 問題引出

許多時(shí)候，我們對程序的速度都是有要求的，速度自然是越快越好。對于Python的話，一般都是使用multiprocessing這個(gè)庫來實(shí)現(xiàn)程序的多進(jìn)程化，例如：

我們有一個(gè)函數(shù)my_print，它的作用是打印我們的輸入：

def my_print(x):print(x)

但是我們嫌它的速度太慢了，因此我們要將這個(gè)程序多進(jìn)程化：

from multiprocessing import Pool def my_print(x): print(x) if __name__ == '__main__': x = [1, 2, 3, 4, 5] pool = Pool() pool.map(my_print, x) pool.close() pool.join()

很好，現(xiàn)在速度與之前的單進(jìn)程相比提升非常的快，但是問題來了，如果我們的參數(shù)不只有一個(gè)x，而是有多個(gè)，這樣能行嗎？比如現(xiàn)在my_print新增一個(gè)參數(shù)y：

def my_print(x, y):print(x + y)

查看pool.map的函數(shù)說明：

def map(self, func, iterable, chunksize=None): ’’’ Apply `func` to each element in `iterable`, collecting the results in a list that is returned. ’’’ return self._map_async(func, iterable, mapstar, chunksize).get()

發(fā)現(xiàn)函數(shù)的參數(shù)是作為iter傳進(jìn)去的，但是我們現(xiàn)在有兩個(gè)參數(shù)，自然想到使用zip將參數(shù)進(jìn)行打包：

if __name__ == '__main__': x = [1, 2, 3, 4, 5] y = [1, 1, 1, 1, 1] zip_args = list(zip(x, y)) pool = Pool() pool.map(my_print, zip_args) pool.close() pool.join()

可是執(zhí)行后卻發(fā)現(xiàn)，y參數(shù)并沒有被傳進(jìn)去：

那么如何傳入多個(gè)參數(shù)呢？這也就是本文的重點(diǎn)，接著往下看吧。

2. 解決方案

2.1 使用偏函數(shù)（partial）

偏函數(shù)有點(diǎn)像數(shù)學(xué)中的偏導(dǎo)數(shù)，可以讓我們只關(guān)注其中的某一個(gè)變量而不考慮其他變量的影響。上面的例子中，Y始終等于1，那么我們在傳入?yún)?shù)的時(shí)候，只需要考慮X的變化即可。

例如你有一個(gè)函數(shù)，該函數(shù)有兩個(gè)參數(shù)a,b，a是不同路徑的下的圖片的路徑，b是輸出的路徑。很明顯，a是一直在變化的，但是因?yàn)槲覀円獙⑺袌D片保存在同一個(gè)文件夾下，那么b很可能一直都沒變。

具體如下：

if __name__ == ’__main__’:# 多線程，多參數(shù)，partial版本 x = [1, 2, 3, 4, 5] y = 1 partial_func = partial(my_print, y=y) pool = Pool() pool.map(partial_func, x) pool.close() pool.join()

2.2 使用可變參數(shù)

在Python函數(shù)中，函數(shù)可以定義可變參數(shù)。顧名思義，可變參數(shù)就是傳入的參數(shù)個(gè)數(shù)是可變的，可以是1個(gè)、2個(gè)到任意個(gè)，這就直接給我們提供了一種思路。具體如下：

def multi_wrapper(args): return my_print(*args) def my_print(x, y): print(x + y)if __name__ == '__main__': # 多線程，多參數(shù)，可變參數(shù)版本 x = [1, 2, 3, 4, 5] y = [1, 1, 1, 1, 1] zip_args = list(zip(x, y)) pool = Pool() pool.map(multi_wrapper, zip_args) pool.close() pool.join()

2.3 使用pathos提供的多進(jìn)程庫

from pathos.multiprocessing import ProcessingPool as newPool if __name__ == ’__main__’:# 多線程，多參數(shù)，pathos版本 x = [1, 2, 3, 4, 5] y = [1, 1, 1, 1, 1] pool = newPool() pool.map(my_print, x, y) pool.close() pool.join()

在該庫的map函數(shù)下，可以看到，它允許多參數(shù)輸入，其實(shí)也就是使用了可變參數(shù)：

def map(self, f, *args, **kwds): AbstractWorkerPool._AbstractWorkerPool__map(self, f, *args, **kwds) _pool = self._serve() return _pool.map(star(f), zip(*args)) # chunksize

2.4 使用starmap函數(shù)

if __name__ == ’__main__’: # 多線程，多參數(shù)，starmap版本 x = [1, 2, 3, 4, 5] y = [1, 1, 1, 1, 1] zip_args = list(zip(x, y)) pool = Pool() pool.starmap(my_print, zip_args) pool.close() pool.join()

3. 總結(jié)

其實(shí)在以上4種實(shí)現(xiàn)方法中 ，第1種方法的限制較多，如果該函數(shù)的其它參數(shù)都在變化的話，那么它就不能很好地工作，而剩下的方法從體驗(yàn)上來講是依次遞增的，它們都可以接受任意多參數(shù)的輸入，但是第2種需要額外寫一個(gè)函數(shù)，扣分；第3種方法需要額外安裝pathos包，扣分；而最后一種方法不需要任何額外不擇就可以完成，所以，推薦大家選擇第4種方法！

以上這篇Python使用多進(jìn)程運(yùn)行含有任意個(gè)參數(shù)的函數(shù)就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持好吧啦網(wǎng)。