为什么要多进程：为了提高运算速度！多进程相当于将简单重复的任务分配到多个cpu内核上，让它们同时做互不相关的工作，从而提高系统的运行效率。

测试例程①

import random
import time
from multiprocessing import Pool

data = [(random.randint(1, 1000), random.randint(1, 1000)) for _ in range(10000)]


# 函数式编程
# 第一步：创建管道函数
def greatest_common_factor(a, b):
    """
    此函数求取输入两个参数的最大公因数
    :param a:
    :param b:
    :return:
    """
    r = a % b
    while r != 0:
        a = b
        b = r
        r = a % b
    return b


def simplify(pair):
    """
    此函数将输入的数据对转化为最简形式
    :param pair:
    :return:
    """
    n1, n2 = pair
    m = greatest_common_factor(n1, n2)
    return int(n1 / m), int(n2 / m)


if __name__ == '__main__':
    # 第二步：将数据输入管道
    t1 = time.time()
    res1 = map(simplify, data)
    res1 = list(res1)
    t2 = time.time()
    print(t2 - t1)

    p = Pool(processes=4)
    t3 = time.time()
    res2 = p.map(simplify, data)
    res2 = list(res2)
    p.close()  # 关闭进程池，不再接受新的进程
    p.join()  # 主进程阻塞，等待子进程推出
    t4 = time.time()
    print(t4 - t3)

# (t2 - t1) = 0.004999637603759766
# (t4 - t3) = 0.3481013774871826

点评：我们能发现，在这个案例中，开了多进程的处理程序反而更慢一些，这违反了我们的直觉。事实上，这是因为我们处理的过程比较简单，所以python底层对其优化做的比较好，不需要通过调用多进程的方式进行加速。如果我们需要体现出多进程的优势，那么就需要模拟进行复杂计算的过程，如下所示

测试例程②

import random
import time
from multiprocessing import Pool

data = [(random.randint(1, 1000), random.randint(1, 1000)) for _ in range(20)]


# 函数式编程
# 第一步：创建管道函数
def greatest_common_factor(a, b):
    """
    此函数求取输入两个参数的最大公因数
    :param a:
    :param b:
    :return:
    """
    r = a % b
    while r != 0:
        a = b
        b = r
        r = a % b
    return b


def simplify(pair):
    """
    此函数将输入的数据对转化为最简形式
    :param pair:
    :return:
    """
    n1, n2 = pair
    m = greatest_common_factor(n1, n2)
    # 模拟进行耗时的复杂运算
    time.sleep(0.1)
    return int(n1 / m), int(n2 / m)


if __name__ == '__main__':
    # 第二步：将数据输入管道
    t1 = time.time()
    res1 = map(simplify, data)
    res1 = list(res1)
    t2 = time.time()
    print(t2 - t1)

    p = Pool(processes=4)
    t3 = time.time()
    res2 = p.map(simplify, data)
    res2 = list(res2)
    p.close()  # 关闭进程池，不再接受新的进程
    p.join()  # 主进程阻塞，等待子进程推出
    t4 = time.time()
    print(t4 - t3)

# (t2 - t1) = 2.1878116130828857
# (t4 - t3) = 0.9278745651245117

参考资料：为什么pool.map比普通地图慢？-python黑洞网 (pythonheidong.com)