龍江好好
CPython（標準的python實現）有一個名為GIL（全局解釋器鎖）的東西，它阻止兩個線程在同一個程序中同時執行。 有些人對此感到不安，而其他人則狠狠地為此辯護。 但是，有一些解決方法，像Numpy這樣的庫通過在C中運行外部代碼來繞過這個限制。
何時使用線程與進程？
進程加速了CPU密集型的Python操作，因為它們受益於多個內核並避免使用GIL。
線程最適合IO任務或涉及外部系統的任務，因為線程可以更有效地組合他們的工作。 進程需要挑選他們的結果來組合它們需要時間。
由於GIL，線程在python中沒有為CPU密集型任務提供任何好處。而對於像Dot Product這樣的某些操作，Numpy可以解決Python的GIL並且並行執行代碼。
I/O的多線程使用
應用程序的大部分時間都花在I/O上。無論是磁盤I/O還是網絡I/O。
例如，對於Web應用程序，大多數情況下是處理數據庫。因此，在大多數現代應用程序中，最大的瓶頸是I/O。以下是開啟4個線程後效果，實際上效果還是很顯著的。
這意味著應用程序大部分都在等待，因此即使python沒有GIL，也不是所有應用程序都會一直運行（使用cpu，因為它們將等待I/O完成）。
所以，在大多數應用程序線程在I / O上等待的情況下，其他線程可以獲取CPU，從而提高性能。如果python沒有多線程，那麼其他一些線程無法獲得cpu因此浪費時間。現在至少當一個線程正在等待I/O時（大部分應用程序都是這種情況），其餘的線程都可以工作，那麼多線程還是有它存在的必要，所以這就是我們沒有看到GIL所擁有問題的原因。
當然如果你的應用程序是CPU密集型的，那麼在python中確實沒有太多的線程可以提供使用。
我會在這裡發佈所有與科技、科學有關的有趣文章，歡迎訂閱我的頭條號。偶爾也回答有趣的問題，有問題可隨時在評論區回覆和討論。
楊沐白
先簡單的回答：有必要。
首先，線程消耗的是CPU資源
如果一個單線程內處理的業務邏輯會佔用100%的CPU資源，那麼，上了多線程也是沒有用的。
但這種情況很少，高CPU佔用一般出現在內存計算場景下，或者不良代碼中錯誤的死循環。 正常情況下，CPU佔用大於80%就需要進行代碼或設計的優化，或者服務器增加資源了。
多線程場景適用於解決慢速IO的問題
我們絕大部分的計算，都會依賴於很多外部資源IO，如磁盤讀寫、網絡訪問、數據庫訪問... 這些資源的訪問速度遠遠低於CPU的切換速度。如果使用單線程進行操作時，就會長時間的等待IO的返回。造成無效等待，性能低下。
所以即使是Python，為了充分利用CPU資源，提高性能，在通常的業務場景下使用多線程編程也是完全必要的。
多核與Python多實例
延續上面的問題，我們知道現在CPU大部分都是多核的，python為了避免單線程只能使用到一個核的問題，是有個multiprocessing 庫的，允許創建子進程（子進程數一般與核心數相同），來充分利用CPU資源。
↓ ↓ ↓ 喜歡就點贊吧，歡迎各位評論指教，謝謝關注 -- 極迭代！
極迭代
python有個全局鎖，你不知道什麼是全局鎖你可以百度查一下，由於這個全局鎖的存在python的多線程其實就是個雞肋，所以，一般都用異步協程的方式來搞定高併發！
