線程安全

NumPy 支援在多線程環境中使用，透過標準函式庫中的 threading 模組。許多 NumPy 操作會釋放 GIL，因此與 Python 中的許多情況不同，可以透過利用 Python 中的多線程並行性來提高並行效能。

最容易獲得效能提升的情況是，當每個工作線程擁有自己的陣列或一組陣列物件，且線程之間沒有直接共享資料時。由於 NumPy 為許多底層操作釋放 GIL，因此大部分時間花費在底層程式碼中的線程將並行運行。

在線程之間共享 NumPy 陣列是可能的，但必須極其小心，以避免在變更多個線程之間共享的陣列時產生線程安全問題。如果兩個線程同時讀取和寫入同一個陣列，它們最多會產生不一致、競爭的結果，這些結果是不可重現的，更不用說是正確的。也可能透過例如在另一個線程正在從陣列讀取資料以計算 ufunc 操作時調整陣列大小，來使 Python 解釋器崩潰。

未來，我們可能會在 ndarray 中添加鎖定，以使使用 NumPy 陣列編寫多線程演算法更安全，但目前我們建議專注於線程之間共享的陣列的唯讀存取，或者如果您需要變更和多線程，則添加您自己的鎖定。

請注意，*不*釋放 GIL 的操作不會從使用 threading 模組中獲得效能提升，而是可能更適合使用 multiprocessing。特別是，對 dtype=object 的陣列的操作不會釋放 GIL。

自由線程 Python

版本 2.1 新增。

從 NumPy 2.1 和 CPython 3.13 開始，NumPy 也實驗性地支援禁用 GIL 的 python 運行時環境。請參閱 https://py-free-threading.github.io 以獲取有關安裝和使用自由線程 Python 的更多資訊，以及關於在依賴 NumPy 的函式庫中支援它的資訊。

因為自由線程 Python 沒有全域解釋器鎖來序列化對 Python 物件的存取，所以線程有更多機會變更共享狀態並產生線程安全問題。除了上面提到的關於 ndarray 物件鎖定的限制之外，這也意味著 dtype=object 的陣列不受 GIL 保護，從而為在自由線程 python 之外不可能發生的 python 物件創建資料競爭。