守护进程就是那种在系统后台默默干活的特殊进程，它和你打开的终端完全独立——就算你关掉启动它的终端，它也能继续运行，直到系统关机才会终止。

为啥要搞守护进程呢？主要是这些场景需求：

• 持续提供后台服务：像咱们常用的Web服务器、数据库，总不能让用户一直开着终端盯着吧？用守护进程就能让它们24小时在后台待命，随时响应请求。
• 摆脱终端绑定：普通进程和启动它的终端是绑定的，终端一关进程就跟着挂了，但守护进程能彻底脱离这种依赖，适合长期运行的任务。
• 节省系统资源：守护进程一般都会以轻量模式运行，不会占用太多内存和CPU，专门处理那些不需要用户交互的后台活儿。
• 处理系统级任务：比如系统日志收集、定时任务调度（像Linux里的crond），这些都是守护进程的典型应用，负责搞定系统层面的后台工作。

看了你的代码和报错，问题主要出在这几个地方：
首先，pd.read_csv带chunksize返回的是迭代器对象，这种对象没法被序列化后传给子进程，子进程根本读不了它，这就是你遇到AttributeError的核心原因。另外代码里还有个拼写小错误：pro.deamon应该是pro.daemon（少了个字母a）。而且你的代码只处理了第一个200行的chunk，后面的数据根本没循环处理，相当于白忙活了大半。

给你改了个能用的版本，还优化了多进程的用法：

import pandas as pd
import multiprocessing as mp

def conv_datetime(chunk):
    # 直接对传入的chunk做转换，新增列存储转换后的datetime
    chunk['datetime_col'] = pd.to_datetime(chunk[3])
    return chunk

if __name__ == "__main__":
    # 按指定大小分块读取整个CSV文件
    chunks = pd.read_csv("csv_file", header=None, chunksize=200)
    
    # 用进程池管理多进程，自动适配你的CPU核心数
    with mp.Pool(processes=mp.cpu_count()) as pool:
        # 把每个chunk交给进程池并行处理
        processed_chunks = pool.map(conv_datetime, chunks)
    
    # 合并所有处理完成的chunk为完整DataFrame
    final_df = pd.concat(processed_chunks)
    # 将结果保存为新的CSV文件
    final_df.to_csv("processed_csv_file.csv", index=False)

关键改进点 #

• 用进程池更省心：手动创建Process太繁琐，mp.Pool会自动帮你管理进程的创建、销毁和任务分配，非常适合批量处理多个chunk的场景。
• 传递具体chunk而非迭代器：每个chunk是实实在在的DataFrame对象，可以被序列化后安全传给子进程，不会再出现属性错误。
• 完整处理所有数据：pool.map会遍历所有读取到的chunk，确保整个CSV文件的每一行都被处理，不会漏掉数据。

要是你的CSV特别大，还可以调整chunksize的大小——太大可能占内存，太小会增加进程切换的开销，根据你机器的内存情况调整就行。另外要是不需要保留整个大DataFrame，还可以在每个进程里直接把处理后的chunk写入文件，这样不用最后合并，能省不少内存。

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