要并行化Pandas的 .size() 方法，可以使用Python的多线程库concurrent.futures来实现。以下是一个示例代码：

import pandas as pd
from concurrent.futures import ThreadPoolExecutor

# 创建一个包含多个DataFrame的列表
dataframes = [pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}),
              pd.DataFrame({'A': [7, 8, 9], 'B': [10, 11, 12]}),
              pd.DataFrame({'A': [13, 14, 15], 'B': [16, 17, 18]})]

# 创建一个函数，用于计算每个DataFrame的大小并返回结果
def calculate_size(df):
    return df.size

# 创建一个线程池执行器
executor = ThreadPoolExecutor()

# 使用线程池并行计算每个DataFrame的大小
results = executor.map(calculate_size, dataframes)

# 打印结果
for result in results:
    print(result)

在上述代码中，首先创建了一个包含多个DataFrame的列表dataframes。然后，定义了一个函数calculate_size()，该函数接受一个DataFrame作为参数，并返回其大小。接下来，创建了一个线程池执行器executor。使用executor.map()方法并行计算每个DataFrame的大小，并将结果存储在results中。最后，通过迭代results来打印每个DataFrame的大小。

请注意，concurrent.futures库还提供了其他并行化方法，如ProcessPoolExecutor用于多进程并行计算。选择适合你的需求的并行化方法，以获得最佳性能。