我来帮你搞定这个Windows上多进程卡壳的问题——这其实是Windows和Unix类系统（Linux/macOS）在多进程实现逻辑上的差异导致的典型坑，咱们一步步拆解解决：

核心问题分析 #

Windows的multiprocessing模块采用spawn模式：每个子进程会重新运行整个脚本文件来初始化环境。如果你的主逻辑没有用if __name__ == '__main__'包裹，子进程启动时会再次执行创建Pool的代码，无限递归创建新进程，直接导致系统资源耗尽、程序卡死。

另外你的主代码还有两个小问题：

1. pool.map只支持传递单个参数给目标函数，你传的元组需要用starmap来解包
2. 全局变量traindat在Windows的spawn模式下无法被子进程直接继承，需要显式传入函数

修复后的主代码 #

import pandas as pd
from multiprocessing import Pool

def func(args):
    # 解包参数：行索引、行号、目标数据框
    row_idx, _, traindat = args
    # 提取对应行并计算均值
    mean_series = traindat.iloc[row_idx, 4:28].mean()
    return pd.DataFrame(mean_series).transpose()

if __name__ == '__main__':
    # 这里先初始化你的indices和traindat数据框
    # indices = pd.read_csv("your_indices.csv")
    # traindat = pd.read_csv("your_traindat.csv")
    
    # 使用with语句自动管理Pool的生命周期（替代手动close/join）
    with Pool(processes=3) as pool:
        # 打包参数：把traindat和每行索引绑定，避免全局变量问题
        task_args = [(row, idx, traindat) for idx, row in indices.iterrows()]
        new_rows = pool.map(func, task_args)
    
    # 合并结果
    data_all_new = pd.concat(new_rows)

针对大数据量的优化建议 #

你的数据有650K行，用iterrows()逐行迭代效率很低，建议换成更高效的itertuples()或者直接提取索引列表：

# 替代iterrows()，速度快很多
task_args = [(row.Index, idx, traindat) for idx, row in indices.itertuples()]

# 或者直接提取所有行索引为列表
row_indices = indices.values.flatten().tolist()
task_args = [(row, idx, traindat) for idx, row in enumerate(row_indices)]

示例代码的正确写法 #

你之前的示例代码里修改sys.modules['__main__'].__file__的操作会干扰if __name__的判断，去掉这行，直接在普通.py脚本里运行：

from multiprocessing import Pool

def f(x):
    return x*x

if __name__ == '__main__':
    with Pool(5) as p:
        print(p.map(f, [1, 2, 3]))

关键注意事项 #

1. 必须用if __name__ == '__main__'包裹主逻辑：这是Windows多进程的强制要求，否则会无限递归创建进程
2. 避免依赖全局变量：把需要的参数显式传入函数，Windows子进程不会继承父进程的全局状态
3. 尽量在普通Python脚本中运行：IPython/Jupyter环境下运行多进程容易出现各种奇怪的问题，优先用.py文件执行

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