1、CPU密集型
CPython中使用到了GIL，多线程的时候锁相互竞争，且多核优势不能发挥，选用Python多进程效率更
高。即使用ProcessPoolExecutor
2、IO密集型
在Python中适合是用多线程，可以减少多进程间IO的序列化开销。且在IO等待的时候，切换到其他线程
继续执行，效率不错。即ThreadPoolExecutor


ThreadPoolExecutor 和 ProcessPoolExecutor 都是python中的并发执行框架，但它们之间有一些区别：
线程 vs 进程：ThreadPoolExecutor 使用线程池来执行任务，而 ProcessPoolExecutor 使用进程池来执行任务。因为线程是在同一个进程内运行的，所以线程之间共享了进程的内存空间，这意味着线程之间的通信和数据共享比进程更容易。但是，由于 Python 的全局解释器锁（GIL）的存在，同一时刻只有一个线程可以执行 Python 代码，这意味着在 CPU 密集型任务中，多线程并不能真正发挥多核 CPU 的优势。而进程之间是相互独立的，不受 GIL 的限制，可以充分利用多核 CPU 资源。


适用场景：由于 GIL 的限制，ThreadPoolExecutor 更适合于 I/O 密集型任务，如网络请求、文件读写等操作，而 ProcessPoolExecutor 更适合于 CPU 密集型任务，如大量计算、图像处理等操作。

系统资源消耗：由于进程之间是相互独立的，ProcessPoolExecutor 需要更多的系统资源来维护进程之间的通信和数据共享，而 ThreadPoolExecutor 只需要维护线程之间的通信和数据共享，所以在系统资源有限的情况下，ThreadPoolExecutor 更加适合。

ThreadPoolExecutor代码示例
```python
from concurrent.futures import ThreadPoolExecutor
import concurrent
def func():
  pass
with ThreadPoolExecutor(max_workers=15) as executor:
      tasks = {}
      case_number = 0
      finished = 0
      for idx, row in df.iterrows():
          tasks[executor.submit(func, session, row['col1'])] = (row['col2'], row['col3'])
          case_number += 1
        split_part_num = case_number // 200
        for future in concurrent.futures.as_completed(tasks):
            cate_id_list, cate_name_list, confidence_list = future.result()
          request_id, row_list = tasks[future]
          name, code = tasks[future]
          if len(cate_name_list.split(';')) >= 1:
              res_cate_name = cate_name_list.split(';')[0]
              res_cate_id = cate_id_list.split(';')[0]
              # res_confidence = confidence_list.split(';')[0]
              res_confidence = confidence_list[0]
              cate_path = back_tree[res_cate_id]
              res_data.append([name, code, res_cate_id, res_cate_name, cate_path, res_confidence])
          else:
              res_data.append(['', '', '', ''])
          finished += 1
          if finished % split_part_num == 0:
              print("【 total finished:{}% 】".format(0.5 * finished / split_part_num))
      print('done')
```

ThreadPoolExecutor和ProcessPoolExecutor