由于python多线程无法发挥多核的作用，因此当计算量很大的时候就需要考虑多进程。
只不过多进程比较麻烦一些，进程中通信向来是一件麻烦事。
python提供了multiprocessing 模块，应该会提供不少便利
假设我们做量化交易需要运行一个算法，针对一只票每运行一次需要30秒，运行完成将结果作为一个因子交给另一个计算模块运行，最后将计算结果统计出来。如果只运行一只票问题不大，大不了等一下就好，同时运行10票的话就很有必然考虑多进程以加快速度。
pro_queue为生产进程的数据队列，生产进程完成生产后将自己相关数据装产pro_queue中
calc_queue为计算进程的数据队列，计算进程先将生产进程的数据通过参数传递的方式获取到，然后进行计算，并将计算结果存入calc_queue中
主进程在最后不断获取计算进程的计算结果，并将其累加，最终获取到一个总的计算结果
生产进程：
def func_a(i, p: queues):
print(F"第{i}个生产进程: 进程号:{os.getpid()},开始...")
time.sleep(random.randint(1, 5))
result = random.randint(50, 100)
print(F"第{i}个生产进程: 完成。生产结果[{result}]。")
p.put((i, os.getpid(), result))计算进程：
def func_b(i, data, q: queues):
print(F"第{i}个计算进程: 进程号:{os.getpid()}, 数据源{data[0]}:{data[1]}:{data[2]},开始...")
time.sleep(random.randint(1, 3))
result = data[2] * 100
print(F"第{i}个计算进程: 完成。计算结果【{result}】")
q.put(result)程序一开始先将生产进程启动起来：其中process_num表示同时启动多少个生产进程
for i in range(process_num):
p = Process(target=func_a, args=(i, pro_queue,))
p.start()然后不停等待生产进程的结果，每等到一个结果就启动一个计算进程
for i in range(process_num):
data = pro_queue.get()
p = Process(target=func_b, args=(i, data, calc_queue))
p.start()最后就是等待计算进程的计算结果
s = 0
for i in range(process_num):
s += calc_queue.get()
print(F"所有计算完成，总结果：{s}")补上程序一开始的两个队列的申明：
import multiprocessing
import time
from multiprocessing import Process
from multiprocessing import queues
import random
import os
pro_queue = queues.Queue(ctx=multiprocessing)
calc_queue = queues.Queue(ctx=multiprocessing)
process_num = 5
