线程安全

NumPy 通过标准库中的threading模块支持在多线程环境中使用。许多 NumPy 操作会释放 GIL，因此与 Python 中许多情况不同，可以通过利用 Python 中的多线程并行性来提高并行性能。

当每个工作线程拥有自己的数组或一组数组对象，并且线程之间没有直接共享数据时，最容易获得性能提升。因为 NumPy 会为许多底层操作释放 GIL，所以大部分时间花费在底层代码中的线程将并行运行。

可以在线程之间共享 NumPy 数组，但是必须非常小心地避免在修改多个线程之间共享的数组时创建线程安全问题。如果两个线程同时读取和写入同一个数组，那么最好的结果也是产生不一致、竞争的结果，这些结果不可重现，更不用说正确了。例如，当另一个线程正在从中读取数据来计算 ufunc 操作时，调整数组的大小也可能导致 Python 解释器崩溃。

将来，我们可能会向 ndarray 添加锁机制，以使使用 NumPy 数组编写多线程算法更安全，但目前我们建议关注对线程之间共享的数组的只读访问，或者如果您需要进行变异和多线程操作，则添加您自己的锁机制。

请注意，_不_释放 GIL 的操作将无法从使用threading模块中获得性能提升，而可能更好地使用multiprocessing。特别是，对 dtype=object 的数组的操作不会释放 GIL。

免线程 Python

版本 2.1 中的新功能。

从 NumPy 2.1 和 CPython 3.13 开始，NumPy 还实验性地支持禁用 GIL 的 Python 运行时。有关安装和使用免线程 Python 的更多信息，以及有关在依赖 NumPy 的库中支持它的信息，请参阅https://py-free-threading.github.io。

由于免线程 Python 没有全局解释器锁来序列化对 Python 对象的访问，因此线程修改共享状态和创建线程安全问题的机会更多。除了上面提到的关于 ndarray 对象锁定的限制之外，这也意味着 dtype=object 的数组不受 GIL 的保护，从而为 Python 对象创建了在免线程 Python 之外不可能发生的数据竞争。