Eu estava experimentando com o novo brilhanteconcorrente.futures módulo introduzido no Python 3.2, e notei que, quase com código idêntico, usando o Pool de concorrentes.Futures écaminho mais lento do que usandomultiprocessamento.Pool.

Esta é a versão usando multiprocessamento:

def hard_work(n):
    # Real hard work here
    pass

if __name__ == '__main__':
    from multiprocessing import Pool, cpu_count

    try:
        workers = cpu_count()
    except NotImplementedError:
        workers = 1
    pool = Pool(processes=workers)
    result = pool.map(hard_work, range(100, 1000000))

E isso está usando o concorrente.futures:

def hard_work(n):
    # Real hard work here
    pass

if __name__ == '__main__':
    from concurrent.futures import ProcessPoolExecutor, wait
    from multiprocessing import cpu_count
    try:
        workers = cpu_count()
    except NotImplementedError:
        workers = 1
    pool = ProcessPoolExecutor(max_workers=workers)
    result = pool.map(hard_work, range(100, 1000000))

Usando uma função de fatoração ingênua tirada desteArtigo de Eli Bendersky, estes são os resultados no meu computador (i7, 64 bits, Arch Linux):

[juanlu@nebulae]─[~/Development/Python/test]
└[10:31:10] $ time python pool_multiprocessing.py 

real    0m10.330s
user    1m13.430s
sys 0m0.260s
[juanlu@nebulae]─[~/Development/Python/test]
└[10:31:29] $ time python pool_futures.py 

real    4m3.939s
user    6m33.297s
sys 0m54.853s

Eu não posso fazer o perfil deles com o profiler do Python porque recebo erros de pickle. Alguma ideia?