为何8核机器使用ProcessPoolExecutor仅获约2倍性能提升？

你遇到的性能提升远低于预期，核心原因是**calculate函数中的计算完全冗余，没有真正占用CPU的执行单元**，导致并行化无法发挥作用。

具体分析 #

1. 无效运算被优化
   你的循环里执行的是：

   n *= (i % 4) + 1
   n /= (i % 4) + 1
   

   无论(i%4)+1的值是多少，乘完再除以同一个数，n的结果始终是初始值2。这种完全无效的运算，要么被Python解释器的底层逻辑简化，要么被CPU的指令优化跳过——CPU根本不需要花费大量周期执行这些操作，大部分时间都在处理循环的跳转指令，而这类指令的并行化收益极低。

2. 任务未占满CPU执行单元
   即使没有被优化，这种简单的算术操作也无法占满CPU的执行单元（比如浮点运算单元、整数运算单元）。你的i7-8565U的超线程是用来在单个核心的某个执行单元空闲时处理其他线程的任务，但如果任务本身就没用到这些单元，超线程和多核心的优势根本发挥不出来。

3. 调度开销占比过高
   因为实际计算量极低，进程的启动、调度开销在总执行时间中的占比被放大，进一步抵消了并行化的收益。

验证方法 #

运行测试时打开系统的任务管理器（Windows）或htop（Linux/macOS）：

• 串行版本只会占用一个核心的一小部分资源，而非100%
• 并行版本的8个进程也不会让所有核心满载，CPU总使用率可能不到200%

解决方案：替换为真正的CPU密集型任务 #

把calculate函数改成能真正占用CPU执行单元的运算，比如：

示例1：大整数阶乘计算 #

def calculate(size: int):
    result = 1
    for i in range(1, size):
        result *= i
    return result

示例2：复杂浮点运算 #

import math
def calculate(size: int):
    result = 0.0
    for i in range(1, size):
        result += math.sin(i) * math.cos(i) * math.tan(i)
    return result

这类任务会让CPU的整数/浮点运算单元满载，此时并行版本的性能提升会接近你的核心数（4物理核的话接近4倍，开启超线程后可能到6-7倍）。

额外检查 #

你的并行实现本身没有问题：_chunks函数确实生成了8个任务，每个任务处理1/8的计算量。只要替换了真正的CPU密集型任务，就能看到预期的性能提升。

内容的提问来源于stack exchange，提问作者sebastianfrelle