为何Python程序无法满负载使用单个CPU核心？

问题背景 #

• Python单线程运行时，核心使用率最高仅66%，平均约50%，存在明显上限
• 用纯计算代码排除I/O影响后，核心使用率仍仅46%左右，其余核心使用率约1%，内存占用41%
• Windows10显示Python功耗高，但CPU使用率未达预期
• CPU-Z基准测试可让核心跑满100%，但GitHub上的Python基准测试代码仅能让单核心使用率达到约40%
• 已重装Python 3.11，问题依旧
• 硬件配置：AMD Ryzen 7 5700G + ASRock 520M-HDV

一、优化Python解释器本身 #

1. 使用带高级优化的Python版本
   官方默认安装包的编译优化等级并非最高，可自行编译Python源码并开启极致优化：

./configure --enable-optimizations --with-lto
make -j8
make install

--enable-optimizations会开启PGO（基于性能分析的优化），--with-lto开启链接时优化，两者结合能大幅提升解释器执行效率。

2. 运行时启用优化模式
   执行脚本时添加-O或-OO参数，去除字节码中的断言、调试信息，减少解释器额外开销：

python -O your_script.py

二、排查系统层面的CPU限制 #

1. 检查Windows电源计划
   确保电源计划设置为高性能：

• 打开控制面板→硬件和声音→电源选项，选择“高性能”
• 进入“更改高级电源设置”，将“处理器电源管理”下的最小/最大处理器状态均设为100%

2. 调整BIOS节能设置
   进入BIOS界面，关闭可能限制CPU性能的选项：

• 关闭C-State节能（如C3、C6状态）
• 禁用AMD Cool'n'Quiet等动态频率调节功能
• 确保CPU倍频、频率设置为默认最高模式

三、优化代码执行效率 #

1. 用JIT编译或C扩展替代纯Python循环
   Python的GIL和字节码解释特性导致纯循环效率偏低，可通过以下方式提升：

• 使用numba进行JIT编译：

from numba import jit

@jit(nopython=True)
def count_loop():
    count = 0
    while count <= 10000000000:
        count +=1
    return count

count_loop()

• 使用Cython将关键代码编译为C扩展，进一步榨取性能

2. 优化基准测试代码
   用向量化操作替代嵌套循环，借助底层C实现提升效率：

import numpy as np
import time

start_benchmark = 10000
repeat_benchmark = 10
average_benchmark = 0

x1 = np.arange(1, 1000)
x2 = np.arange(1, 10000)

for a in range(repeat_benchmark):
    start = time.time()
    for _ in range(start_benchmark):
        3.141592 * np.power(2, x1)
        x2 / 3.141592
        3.141592 / x2
    end = time.time()
    duration = round(end - start, 3)
    average_benchmark += duration
    print(f'Time: {duration}s')

average_benchmark = round(average_benchmark / repeat_benchmark, 3)
print(f'Average (from 10 repeats): {average_benchmark}s')

四、调整进程优先级 #

在Windows任务管理器中找到Python进程，右键选择“设置优先级”→“高”或“实时”，确保系统分配足够CPU资源给Python进程。

内容的提问来源于stack exchange，提问作者evettsam