Как ускорить узкое место в коде? Threading? Многопроцессорные?

Question

В моем коде есть функция узкого места, которая эффективно сводится к:

import networkx as nx
class my_class:
    def __init__(self):
        self.graph = nx.complete_graph(50)  # placeholder for large nx graph
        self.my_dict = {}

    # triggered by event automatically, cannot change trigger
    def slow_function(self, event):
        source = event.source
        dest = event.dest

        # how to speed up this function?
        def bottleneck_function():
            reasonably_fast_obj = reasonably_fast('myfoo')
            self.path_calulator(source, dest, reasonably_fast_obj)

    def path_calulator(self, source, dest, weight):
        return nx.shortest_simple_paths(self.graph, source, dest, weight)


class reasonably_fast:
    def __init__(self, foo):
        self.foo = foo

Основной причиной является метод networkx, который занимает значительное время для большого графика.

Функция slow_farget запускается таким образом, что она может быть вызвана снова до завершения предыдущего вызова (из-за задержки). Как правильно ускорить задачу?

Можно ли сделать это быстрее, используя несколько потоков?

Примечание : я могу использовать только Python 2.7 из-за некоторых ограничений

Редактировать Вот что у меня есть:

import networkx as nx
from multiprocessing import Pool as ThreadPool
from itertools import islice
import random

G = nx.barabasi_albert_graph(10, 5)
G.number_of_edges()  # prints 25

def nx_function():
src, dst = random.sample(range(0,9), 2)
return list(islice(nx.shortest_simple_paths(G, source=src, target=dst), 5))

%timeit nx_function дает 10000000 циклов, лучшее из 3: 22,1 нс на цикл

def simple():
    for i in range(10):
        nx_function()

%timeit simple дает 100 циклов, лучшее из 3: 1,94 мс на цикл

def parallelized():
    pool = ThreadPool(4)
    for i in range(10):
        pool.apply_async(func=nx_function)
    pool.close()
    pool.join()

%timeit paralelized дает 10 циклов, лучшее из 3: 196 мс на цикл

Кажется, что издержки многопроцессорной обработки делают это бесполезным. Есть ли другой способ ускорить этот код?