假设CPython和GIL在这里。
如果你的任务是I/O绑定的，一般来说，线程可能会更有效，因为线程只是将工作转储到操作系统上，并在I/O操作完成之前一直处于空闲状态。
然而，大多数文件系统不是并发的，所以使用多线程或多处理 * 可能 * 并不比同步写快。
尽管如此，这里有一个人为的multiprocessing.Pool.map示例，它可能有助于您的CPU绑定工作：

from multiprocessing import cpu_count, Pool

def process(data):
    # best to do heavy CPU-bound work here...

    # file write for demonstration
    with open("%s.txt" % data, "w") as f:
        f.write(data)

    # example of returning a result to the map
    return data.upper()
      
tasks = ["data1", "data2", "data3"]
pool = Pool(cpu_count() - 1)
print(pool.map(process, tasks))

类似的线程设置可以在concurrent.futures.ThreadPoolExecutor中找到。
顺便说一句，all是一个内置函数，不是一个很好的变量名选择。

或者：

from threading import Thread

def process(data):
    print("processing {}".format(data))

l= ["data1", "data2", "data3"]

for task in l:
    t = Thread(target=process, args=(task,))
    t.start()

或者（仅限python版本〉3.6.0）：

from threading import Thread

def process(data):
    print(f"processing {data}")

l= ["data1", "data2", "data3"]

for task in l:
    t = Thread(target=process, args=(task,))
    t.start()

这里有一个使用multiprocessing的模板，希望对大家有所帮助。

from multiprocessing.dummy import Pool as ThreadPool

def process(data):
    print("processing {}".format(data))
alldata = ["data1", "data2", "data3"]

pool = ThreadPool()

results = pool.map(process, alldata)

pool.close()
pool.join()