在Python中，可以使用multiprocessing模块来实现并行处理大量数据，同时平均分配到可用的核心中。下面是一个示例代码：

import multiprocessing

# 定义一个处理数据的函数，这里使用简单的平方操作作为示例
def process_data(data):
    return data ** 2

if __name__ == "__main__":
    # 定义要处理的数据
    data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

    # 获取可用的核心数量
    num_cores = multiprocessing.cpu_count()

    # 创建一个进程池，使用所有可用的核心
    pool = multiprocessing.Pool(processes=num_cores)

    # 使用进程池中的map函数，并行处理数据
    result = pool.map(process_data, data)

    # 关闭进程池，防止资源泄露
    pool.close()
    pool.join()

    # 输出结果
    print(result)

在上述代码中，首先定义了一个process_data函数，用于处理数据。在示例中，我们使用简单的平方操作作为处理函数。然后，通过multiprocessing.cpu_count()函数获取可用的核心数量。接下来，使用multiprocessing.Pool创建一个进程池，使用所有可用的核心。然后，使用进程池中的map函数，将要处理的数据和处理函数传递进去，实现并行处理。最后，关闭进程池并使用join方法等待所有进程完成。最终，输出结果。

请注意，在使用multiprocessing.Pool时，需要确保process_data函数在主程序的顶层，或者在if __name__ == "__main__":条件下定义。这是为了避免在Windows上出现RuntimeError，因为Windows下的多进程启动方式与其他操作系统不同。