12

以下是 第12章：函數式編程與並行計算 的內容草稿：

---

第12章：函數式編程與並行計算

在當今計算密集型的應用中，並行計算已成為提高效率和性能的重要手段。Python 提供了多種並行處理模型，並且函數式編程的特性使其在實現高效並行計算方面具備優勢。本章將探討 Python 中的並行處理模型，並展示如何利用函數式編程的理念來實現高效的並行計算。

12.1 Python 中的並行處理模型

Python 提供了幾種並行處理模型，主要包括：

12.1.1 多線程

多線程允許在同一進程中同時運行多個線程。由於 Python 的全局解釋器鎖（GIL），多線程在 CPU 密集型任務中可能無法提高性能，但在 I/O 密集型任務中，如網絡請求或文件讀寫，多線程能夠提高性能。

import threading

def worker():
    print("Worker thread is running")

# 創建線程
thread = threading.Thread(target=worker)
thread.start()
thread.join()

12.1.2 多進程

多進程允許在不同的進程中同時運行多個任務，每個進程都有自己的 Python 解釋器和內存空間。這種方法可以有效地克服 GIL 的限制，特別適合於 CPU 密集型計算。

import multiprocessing

def worker():
    print("Worker process is running")

# 創建進程
process = multiprocessing.Process(target=worker)
process.start()
process.join()

12.1.3 異步編程

異步編程使用事件循環來處理 I/O 操作，適合於高併發的場景，如處理大量的網絡請求。Python 的 asyncio 庫提供了支持異步編程的功能。

import asyncio

async def worker():
    print("Async worker is running")

# 事件循環
asyncio.run(worker())

12.2 如何利用函數式編程實現高效並行計算

函數式編程的純函數特性非常適合並行計算，因為純函數的輸入和輸出之間沒有副作用，這意味著可以安全地在不同線程或進程中執行。以下是一些利用函數式編程進行高效並行計算的方法：

12.2.1 使用高階函數

高階函數可以將計算邏輯抽象化，並且能夠輕鬆應用到並行處理中。例如，使用 map 函數可以將數據映射到函數，並在不同線程或進程中並行執行。

from multiprocessing import Pool

def square(x):
    return x * x

with Pool(4) as p:
    results = p.map(square, range(10))
    print(results)  # [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

12.2.2 使用函數式庫

利用像 joblib 和 concurrent.futures 這樣的庫可以更簡單地實現並行計算，這些庫提供了方便的接口來管理進程池和線程池。

from concurrent.futures import ProcessPoolExecutor

def cube(x):
    return x ** 3

with ProcessPoolExecutor(max_workers=4) as executor:
    results = list(executor.map(cube, range(10)))
    print(results)  # [0, 1, 8, 27, 64, 125, 216, 343, 512, 729]

12.3 多線程與多進程的應用

12.3.1 多線程應用

對於 I/O 密集型的應用，使用多線程能夠有效提升性能。例如，在爬取網站時，可以同時發送多個請求：

import threading
import requests

def fetch(url):
    response = requests.get(url)
    print(f"Fetched {url}: {response.status_code}")

urls = ['https://example.com', 'https://example.org']

threads = []
for url in urls:
    thread = threading.Thread(target=fetch, args=(url,))
    threads.append(thread)
    thread.start()

for thread in threads:
    thread.join()

12.3.2 多進程應用

對於 CPU 密集型的應用，使用多進程能夠充分利用多核 CPU 的性能。例如，對大型數據集進行計算：

import multiprocessing

def compute_heavy_task(data):
    return sum(i * i for i in data)

data = range(10**6)
chunk_size = len(data) // multiprocessing.cpu_count()

with multiprocessing.Pool() as pool:
    results = pool.map(compute_heavy_task, [data[i:i + chunk_size] for i in range(0, len(data), chunk_size)])
    total = sum(results)
    print(total)

12.4 小結

本章介紹了 Python 中的多種並行處理模型，以及如何利用函數式編程的特性實現高效的並行計算。通過使用高階函數和現有的並行處理庫，開發者可以輕鬆實現並行計算的邏輯，並根據需求選擇合適的並行處理方式。在實際項目中，靈活運用這些工具和技術可以顯著提高應用的性能和響應速度。

---

這是第12章的內容草稿。如果你有任何建議或需要調整的地方，請隨時告訴我！