新款2020款iMac运行Jupyter Notebook速度远慢于旧款2017款求助

系统层面检查 #

• 确认性能模式：打开「系统偏好设置-节能」，取消勾选「自动切换图形卡模式」（若有），确保未开启低功耗模式；查看「活动监视器- CPU」面板，确认CPU未处于降频状态（若频率远低于标称睿频，可能是散热或系统限制问题）。
• 清理后台进程：在「活动监视器」里排查占用CPU/内存的后台程序，比如iCloud同步、Anaconda后台服务、第三方杀毒软件等，暂时关闭后再测试代码速度。
• 磁盘状态检查：通过「活动监视器-磁盘」查看读写负载，若磁盘使用率长期100%，可能是剩余空间不足（低于10%）或SSD性能异常；可运行diskutil info /命令查看磁盘健康状态和剩余空间。

Python/Anaconda环境优化 #

• 核对依赖库配置：在Jupyter中运行以下代码，检查数值计算库的优化后端：

  import numpy
  numpy.__config__.show()
  

  确保输出包含MKL或OpenBLAS（Anaconda默认应自带，若缺失可通过conda install mkl重新安装）。
• 创建干净虚拟环境：默认Anaconda环境预装大量冗余包，创建仅含必要依赖的环境：

  conda create -n fast_env python=3.11 numpy pandas jupyter
  conda activate fast_env
  

  在该环境中运行代码，排除冗余包干扰。
• 调整并行线程数：部分计算库会限制线程数，在Jupyter开头添加以下代码，手动设置为CPU核心数（示例为8核）：

  import os
  os.environ['MKL_NUM_THREADS'] = '8'
  os.environ['OMP_NUM_THREADS'] = '8'
  

代码层面优化 #

• 优化IO操作：若代码涉及大量文件读写，将CSV/TXT格式替换为Parquet（更快的列式存储）：

  # 写入
  df.to_parquet('data.parquet')
  # 读取
  df = pd.read_parquet('data.parquet')
  

• 用Numba加速循环：针对Python嵌套循环，使用Numba编译提速：

  from numba import jit
  
  @jit(nopython=True)
  def slow_loop(arr):
      result = []
      for x in arr:
          result.append(x * 2 + 1)
      return result
  

• 检查并行逻辑：若代码使用multiprocessing，确认是否因新款CPU核心数差异导致调度效率降低，可尝试将进程数设为os.cpu_count()。

硬件相关排查 #

• 检查内存与交换空间：在「活动监视器-内存」中查看「交换内存」，若数值超过2GB，说明系统已启用虚拟内存（磁盘替代内存），会大幅拖慢速度；可关闭不必要的系统服务，或临时调整虚拟内存大小。
• 验证CPU性能：运行简单CPU基准测试，对比新旧设备：

  import time
  import numpy as np
  
  start = time.time()
  np.dot(np.random.rand(10000, 10000), np.random.rand(10000, 1))
  print(f"耗时：{time.time() - start:.2f}秒")
  

  若新款耗时远超旧款，可能是CPU硬件故障或系统对CPU的限制问题。

内容的提问来源于stack exchange，提问作者VolTradez87 vol