Promedio de tamaño

---

asyncio brilla cuando el trabajo espera (red, disco). Pero si el trabajo es cálculo puro, se usan hilos (threading) o procesos (multiprocessing), que ejecutan en paralelo de verdad.

Hilos con threading

import threading

def trabajo(nombre):
    print("trabajando", nombre)

h1 = threading.Thread(target=trabajo, args=("A",))
h2 = threading.Thread(target=trabajo, args=("B",))
h1.start(); h2.start()     # arrancan en paralelo
h1.join(); h2.join()       # esperar a que terminen

Partir en bloques contiguos

Para darle un pedazo a cada hilo, partís la lista en bloques contiguos lo más parejos posible:

def dividir(items, n):
    k, m = divmod(len(items), n)
    return [items[i*k+min(i,m):(i+1)*k+min(i+1,m)] for i in range(n)]

print(dividir([1, 2, 3, 4, 5], 2))   # [[1, 2, 3], [4, 5]]

A diferencia del round-robin (que intercala), acá cada hilo recibe un tramo seguido — útil cuando el orden importa o los datos están cerca.

✅ Comprobá lo que aprendiste

P: Dividir en bloques contiguos (vs round-robin) le da a cada hilo…
+ un tramo seguido de la lista
- elementos intercalados
- toda la lista
> Bloques contiguos mantienen juntos los datos cercanos.

P: Por el GIL, los hilos en Python…
+ no aceleran el cálculo puro (para eso van procesos)
- siempre aceleran todo
- no sirven para nada
> Ayudan cuando el trabajo espera (I/O); para CPU puro, `multiprocessing`.

🕸️ La Líder Opal te espera para dividir en bloques.