问题背景 #

我编写了一段测试代码，用来对比Python 3中单线程、多线程和多进程的性能表现，在搭载AMD Ryzen 3 3200G（3.6GHz，4核4逻辑处理器）的同一设备上，分别在Windows 10 Powershell和WSL Ubuntu 18.04终端运行后，发现Ubuntu环境下三种计算方式的耗时均比Windows少1秒以上，想知道为什么会出现这种性能差异。

测试代码 #

# import libraries
from multiprocessing import Pool
import time
import threading

def calculate_sum_upto(n):
    sum = 0
    for i in range(n):
        sum += i
        # print("Sum : " + str(sum))

def test_all(limit):
    print("\nFor sum of series upto : " + str(limit))
    # Define input case, that is an array of numbers
    array_of_numbers = [limit for i in range(8)]
    # Adding time for performace calculation
    start_time_1 = time.time()
    # First, let's try using raw approach
    # print("\nStarting Raw approach...\n")
    for num in array_of_numbers:
        calculate_sum_upto(num)
    # print("result obtained using raw approach : " + str(super_sum_raw))
    # print("\nRaw approach finished.")
    end_time_1 = time.time()
    start_time_2 = time.time()
    # Now trying using parallel processing
    # print("\n\nStarting multiprocessing approach...\n")
    pool = Pool()
    super_sum_optimized_values = pool.map(calculate_sum_upto, array_of_numbers)
    pool.close()
    pool.join()
    # print("result obtained using parallel processing approach : " + str(super_sum_optimized))
    # print("\nParallel Processing approach finished.")
    end_time_2 = time.time()
    start_time_3 = time.time()
    # Trying using general threading approach
    # print("\n\nStarting Threading approach...\n")
    thread_array = [threading.Thread(target=calculate_sum_upto, args=(num,)) for num in array_of_numbers]
    for thread in thread_array:
        thread.start()
    for thread in thread_array:
        thread.join()
    # print("\nThreading approach finished.\n\n")
    end_time_3 = time.time()
    # Printing results
    print("\nRaw approach : {:10.5f}".format(end_time_1 - start_time_1))
    print("Multithreading approach : {:10.5f}".format(end_time_3 - start_time_3))
    print("Multiprocessing approach : {:10.5f}".format(end_time_2 - start_time_2))

if __name__ == "__main__":
    # print("This test bench records time for calculating sum of series upto n terms for 4 numbers using 3 approaches : \n1 : Linear calculation for each number one after the other.\n2 : Calculating sum of series for 4 numbers on 4 different threads.\n3 : Calculating sum of series for 4 numbers on 4 different processes.")
    # print("For simplicity, all 4 numbers have the same value, i.e. sum of series upto n terms for m, 4 times.")
    n = 10000
    # for i in range(5):
    #     test_all(n)
    #     n *= 10
    test_all(10000000)
    print("\n\nEnd of test.")

测试结果 #

Windows环境：

For sum of series upto : 10000000
Raw approach : 5.08537
Multithreading approach : 5.52041
Multiprocessing approach : 1.40911

WSL Ubuntu环境：

For sum of series upto : 10000000
Raw approach : 3.60763
Multithreading approach : 3.70080
Multiprocessing approach : 0.93371

性能差异的核心原因 #

这背后主要是操作系统底层机制、Python解释器实现以及WSL的优化方向共同作用的结果，具体可以拆解为以下几点：

• Python解释器的平台适配差异
  Windows上默认的CPython解释器是针对NT内核开发的版本，而WSL中使用的是Linux原生CPython。Linux版本在字节码执行、系统调用交互上更贴合Linux内核的特性，减少了跨平台适配的额外开销——像你这种纯CPU密集的循环计算，这种底层效率的差异会直接体现在耗时上。

• 系统调度与资源分配的区别
  Linux的CFS（完全公平调度器）在处理CPU密集型任务时，调度效率和资源分配策略比Windows的调度器更高效。尤其是多进程场景下，Linux的进程创建、上下文切换开销更低，能更充分地利用多核CPU；而Windows本身后台运行的系统服务、进程更多，会分流一部分CPU资源，同时进程调度的额外开销也更高。如果你的WSL是版本2，它基于轻量级虚拟机直接使用Linux内核，资源利用效率更接近原生Linux。

• 内存管理机制的优化倾向
  Linux的内存管理器在连续内存分配、缓存策略上更偏向计算密集型任务的需求，解释器运行时的内存访问效率更高。而Windows的内存管理需要兼顾桌面应用、图形界面等多种场景，在纯计算任务上的针对性优化不如Linux。

• WSL的针对性性能优化
  微软对WSL 2做了大量性能优化，尤其是CPU和内存层面，让Linux环境能接近原生Linux的运行效率。而Windows上的Python环境，在系统调用、文件交互等层面需要经过更多的转换层，带来了额外的性能损耗。

额外补充 #

值得注意的是，你的测试是典型的CPU密集型任务，刚好是Linux的强项。如果换成IO密集型任务（比如文件读写、网络请求），两者的性能差异会明显缩小，甚至Windows在某些IO场景下表现更好。另外，两个系统中多进程的性能提升都远高于多线程，这也符合Python GIL（全局解释器锁）的特性——多线程在CPU密集任务中无法突破GIL限制利用多核，而多进程可以绕过GIL，充分发挥多核CPU的优势。

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