例如，进程process
multiprocessing.Process(target=None, args=()) target: 可以被run()调用的函数，简单来说就是进程中运行的函数 args: 是target的参数process的方法： start(): 开始启动进程，在创建process之后执行 join([timeout])：阻塞目前父进程，直到调用join方法的进程执行完或超时（timeout），才继续执行父进程 terminate():终止进程，不论进程有没有执行完，尽量少用。
python能够应用并行计算的模块有多个multiprocessing、pathos等。其中multiprocessing模块应用的较多，但对于数据挖掘场景来说，pathos模块更实用，尤其允许输入多个可变参数非常简单实用。
本文总结整理了常见的并行计算场景，编写parallel.py模块，主要利用pathos模块实现，可以实现单变量并行、多变量并行、并行嵌套等功能。通过tdqm模块增加了进度条，可以显示计算进度等信息，通过functools模块中的partial函数将静态参数冻结，以适应并行框架。
parallel.py
函数parallel的参数定义顺序需要注意： 必选参数--任意位置参数--默认参数--任意关键字参数 。
定义另一个parallel_main.py模块，用来展示各个场景下并行计算结果。
parallel_main.py
parallel函数使用注意点:
9000 行数据很小了， 慢的话 要是你每条数据处理逻辑都不复杂的话 那就是频繁的读写数据库 耗费了时间 。1.不知道你是不是读一条 处理一条 入库一条
要是这样 你把逻辑改一下 ：新建一个数组，读一条 处理一条 把处理好的数据放到数组中，再接着处理下有一条 ，以此类推，数据字段不多（不要搞得内存溢出）的话， 9000条都可以加载到数组里面了 ，然后利用python executemany（sql，values） 把这个数组一次性插入数据库
2.看看A表的数据能不能分组
例如 假设表A的id字段如下
id
1
2
3
4
5
.。
那么就可以利用id值的奇偶性 分成 2块数据 1，3，5 .---- 2，4
然后python起俩个进程 分别处理这俩块数据 ，根据Abiao实际情况 多分几个数据块 用python多个进程一起处理
祝你好运
