Python joblib 在 n_jobs 大于 8 后几乎没有性能增益

电脑 CPU 为 AMD Ryzen 7 6800H ，8 核 16 进程

系统为 Windows 11

任务为对一组数据做分段 FFT ，因为每段 FFT 相互无关，所以将整段数据分为 n_jobs 块后每块并行计算，试图加速（具体代码不能公开，正在整理一份能复现的代码）。但是发现了奇怪的情况，保持其他参数不变，使用 parallel = Parallel(n_jobs=int(n_jobs)) ，当 n_jobs 大于 4 后，总体用时不会下降。

深入进程测试后发现每个进程内部的 for 循环内的代码拖慢了速度，代码如下（正常来说怎么测试每行代码的性能呢……望大佬指路！）：

tCost = [] for i in batchTask: tCost.append([time.time()]) startTime = sampleDot[0] + i * step endTime = startTime + step splitSampleDot = sampleDot[ np.where((sampleDot >= startTime) & (sampleDot < endTime)) ] tCost[-1].append(time.time() - tCost[-1][0]) # ckpt t0 splitData = np.array(list(zip(splitSampleDot, linearData(splitSampleDot)))) tCost[-1].append(time.time() - tCost[-1][0]) # ckpt t1 signal, powerDensity = getFftResult( splitData, splitSampleDot, float(sampleRate), 0.0, 0.8, float(minFreq), ) tCost[-1].append(time.time() - tCost[-1][0]) # ckpt t2 powerDensity[powerDensity < displayThreshold] = np.nan tCost[-1].append(time.time() - tCost[-1][0]) # ckpt t3 fftDataList.append(powerDensity) fftFreqList.append(signal) fftStartTimeList.append(datetime.fromtimestamp(startTime)) tCost[-1].append(time.time() - tCost[-1][0]) # ckpt t4 realTimeDateObjList.append( mdates.date2num(np.vectorize(datetime.fromtimestamp)(splitSampleDot)) ) tCost[-1].append(time.time() - tCost[-1][0]) # ckpt t5 

请问为什么会出现这种情况呢？有哪些办法能进一步提升性能呢？