為什麼在python里（會Python嗎）

• 1、為什麼用Python做數據分析
• 2、為什麼在Python里推薦使用多進程而不是多線程
• 3、數據分析 為什麼用python
• 4、為什麼在python里推薦使用多進程而不是多線程
• 5、為什麼在Python里推薦使用多進程而不是多

為什麼用Python做數據分析

原因如下：

1、python大量的庫為數據分析提供了完整的工具集

python擁有numpy、matplotlib、scikit-learn、pandas、ipython等工具在科學計算方面十分有優勢，尤其是pandas，在處理中型數據方面可以說有着無與倫比的優勢，已經成為數據分析中流砥柱的分析工具。

2、比起MATLAB、R語言等其他主要用於數據分析語言，python語言功能更加健全

Python具有強大的編程能力，這種編程語言不同於R或者matlab，python有些非常強大的數據分析能力，並且還可以利用Python進行爬蟲，寫遊戲，以及自動化運維，在這些領域中有着很廣泛的應用，這些優點就使得一種技術去解決所有的業務服務問題，這就充分的體現的Python有利於各個業務之間的融合。如果使用Python，能夠大大的提高數據分析的效率。

3、python庫一直在增加，算法的實現採取的方法更加創新

4、python能很方便的對接其他語言，比如c、java等。

Python最大的優點那就是簡單易學。Python代碼十分容易被讀寫，最適合剛剛入門的朋友去學習。我們在處理數據的時候，一般都希望數據能夠轉化成可運算的數字形式，這樣，不管是沒學過編程的人還是學過編程的人都能夠看懂這個數據。

其實現如今，Python是一個面向世界的編程語言，Python對於如今火熱的人工智能也有一定的幫助，這是因為人工智能需要的是即時性，而Python是一種非常簡潔的語言，同時有着豐富的數據庫以及活躍的社區，這樣就能夠輕鬆的提取數據，從而為人工智能做出優質的服務。

通過上面的描述，相信大家已經知道了使用Python做數據分析的優點了。Python語言得益於它的簡單方便，使得其在大數據、數據分析以及人工智能方面都有十分明顯的存在感，對於數據分析從業者以及想要進入數據分析行業的人來說，簡單易學容易上手的優勢也是一個優勢，所以不管大家是否進入數據分析行業，學習Python是沒有壞處的。

Python中文網，大量Python視頻教程，歡迎學習！

因為python的底層實現GIL對於多線程的支持並不好。還是只使用CPU的一個核，效率不高

如果是多進程的話，可以充分利用CPU，就是資源可能會用的多一點

究其原因，主要有以下幾點：

①Python的語法簡單，代碼可讀性高，易於上手，有利於初學者學習;當我們處理數據時，我們希望使數據數字化並將其轉換為計算機可以操作的數字形式。我們可以直接使用一個行列表推導來完成，這非常簡單。

②Python在數據分析和交互，探索性計算和數據可視化方面擁有非常成熟的庫和活躍的社區，這使Python成為數據任務處理的重要解決方案。在數據處理和分析方面，Python具有numpy，pandas，Matplotlib，scikit-learn，IPython和其他出色的庫和工具，尤其是pandas在數據處理方面具有絕對優勢。

③Python具有很強的通用編程能力，這與別的編程語言不同。Python不僅在數據分析方面功能強大，而且在爬蟲，web，運維甚至遊戲等領域也發揮着非常重要的作用。公司只需一項技術即可完成所有服務，這有利於業務整合併可以提高工作效率。

④Python是人工智能的首選編程語言。在人工智能時代，Python已成為最受歡迎的編程語言。得益於Python語法簡潔，豐富的庫和社區，大多數深度學習框架都優先支持Python語言。

監控一個信號就起一個線程與進程處理。這樣的邏輯是不太合適的。所有的資源都是有限的，如果這樣浪費很快會資源管理失控。

常規的做法是起一個線程池，或者是進程池。 使用線程還是進程取決於你處理的信號的類型。如果計算量大，則需要進程池，如果只是設備等待，比如網絡數據收發，則線程也勉強夠用。

信號過來後處理方法有兩種，一種是實時處理，這個沒有好辦法，可以用“微線程”的辦法做，盡量減少處理周期。另外一種是允許少量的延遲。那麼通常的做法是用隊列。將信號放到線程或者是進程池的消息隊列里。然後再由後者分配。

還有一種高效的處理方法，根據信號的值做hash，然後自動分發到不同的CPU或者是服務器。這個就算是大規模並發處理機制。

通常情況下，比如一個WEB服務器，它需要獲取一個請求，然後處理響應，可以使用線程模型，或者是進程模型。也是使用典型的池的方法。一個Pool的大於，取決於你的計算 機的計算 能力，內存大小，以及你的並發訪問數量。

所要要啟用多少個呢？假設你的一個信號的處理周期是1秒，你同時有100個信號進來，那麼就需要100個線程或者是進程。

最近在看Python的多線程，經常我們會聽到老手說：“Python下多線程是雞肋，推薦使用多進程！”，但是為什麼這麼說呢？        

要知其然，更要知其所以然。所以有了下面的深入研究：        

首先強調背景：        

1、GIL是什麼？

GIL的全稱是Global Interpreter Lock(全局解釋器鎖)，來源是python設計之初的考慮，為了數據安全所做的決定。        

2、每個CPU在同一時間只能執行一個線程（在單核CPU下的多線程其實都只是並發，不是並行，並發和並行從宏觀上來講都是同時處理多路請求的概念。但並發和並行又有區別，並行是指兩個或者多個事件在同一時刻發生；而並發是指兩個或多個事件在同一時間間隔內發生。）

在Python多線程下，每個線程的執行方式：

1、獲取GIL

2、執行代碼直到sleep或者是python虛擬機將其掛起。

3、釋放GIL        

可見，某個線程想要執行，必須先拿到GIL，我們可以把GIL看作是“通行證”，並且在一個python進程中，GIL只有一個。拿不到通行證的線程，就不允許進入CPU執行。        

在Python2.x里，GIL的釋放邏輯是當前線程遇見IO操作或者ticks計數達到100（ticks可以看作是Python自身的一個計數器，專門做用於GIL，每次釋放後歸零，這個計數可以通過 sys.setcheckinterval 來調整），進行釋放。        

而每次釋放GIL鎖，線程進行鎖競爭、切換線程，會消耗資源。並且由於GIL鎖存在，python里一個進程永遠只能同時執行一個線程(拿到GIL的線程才能執行)，這就是為什麼在多核CPU上，python的多線程效率並不高。        

那麼是不是python的多線程就完全沒用了呢？        

在這裡我們進行分類討論：        

1、CPU密集型代碼(各種循環處理、計數等等)，在這種情況下，由於計算工作多，ticks計數很快就會達到閾值，然後觸發GIL的釋放與再競爭（多個線程來回切換當然是需要消耗資源的），所以python下的多