解读：本质上是官方提供的Cpython解释器的问题，原因是上世纪90年代，当时是单核CPU的大背景下，龟叔为了解决多线程之间恶意竞争资源而出现的诸多问题，特别设计了GIL锁。但是由于科技的进步以及计算机硬件条件的改变，如今在多核CPU的大背景下，这个问题也是越来越突出，但是龟叔在社区反馈：考虑到GIL锁，已经植入到Cpython解释器多年，并与解释器产生千丝万缕的联系，所以强行调整可能会牵一发而动全身，导致Cpython解释器出现各种问题。所以Python的多线程并发问题，始终没有得到有效的解决。
那接下来我们谈谈Python中多线程的效率问题？
这个要从两方面来看待，CPU密集型操作和IO密集型操作：
-
1、CPU密集型代码(各种循环处理、计数等涉及科学计算业务部分)，在这种情况下，ticks计数很快就会达到阈值，然后触发GIL的释放与再竞争（多个线程来回切换当然是需要消耗资源的），所以Cpython下的多线程对CPU密集型代码并不友好。
-
2、IO密集型代码(文件处理、网络爬虫等)，多线程能够有效提升效率(单线程下有IO操作会进行IO等待，造成不必要的时间浪费，而开启多线程能在线程A等待时，自动切换到线程B，可以不浪费CPU的资源，从而能提升程序执行效率)。所以Cpython的多线程对IO密集型代码比较友好。
-
3.而在python3.x中，GIL不使用ticks计数，改为使用计时器（执行时间达到阈值后，当前线程释放GIL），这样对CPU密集型程序更加友好，但依然没有解决GIL导致的同一时间只能执行一个线程的问题，所以效率依然不尽如人意。
铺垫结束，接下来今天重点来了，Python针对CPU密集型代码的执行真的无解了么？
长久以来，Python一直被人所诟病的“伪多线程”问题，随着开源的科学计算库Numpy的出现，很大程度上已经得到解决，今天我们就聊聊这个话题。
首先大家先来了解一下Numpy：
Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。
Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。
Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。
ndarray与Python原生list运算效率对比:
准备了一个简单的测试案例，测了下ndarray与Python原生list运算效率，从实际运行时间上不难看出，ndarray效率相对于Python原生list效率还是要高很多的。当然ndarray的运算效率优势会随着数组变大时优势更明显，也就是说数组越大，Numpy的优势就越明显。
ndarray效率相对于Python原生list效率高的原因是什么？
先简单看一下上图：
1.存储优势：
- 众所周知我们Python的原生list是顺序表的一种，而顺序表有根据信息区和数据区是否分离，分为一体式存储结构和分离式存储结构。而存储了大量数据的Python原生list，它存储数据的形式明显属于分离式存储并且元素外置，也就是说他并没有存储对应的数据，而是仅仅存储了元素的地址，所以python原生list就只能通过寻址方式找到下一个元素，这正是导致Python原生list计算效率低的原因之一。
- 图中我们可以看出ndarray在存储数据的时候明显属于一体式存储结构，数据与数据的地址都是连续的，这样就给使得批量操作数组元素时速度更快。
2.在科学计算中，Numpy的ndarray就可以省掉很多循环语句，代码使用方面比Python原生list简单的多。
3.向量化运算，也可以理解为并行运算
numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算
4.Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制
总结：
使用Numpy科学计算库其效率远高于原生Python代码实现科学计算，Numpy可以称之为Python之光！！！