Существует более распространенная версия этого вопроса, касающаяся распараллеливания функций применения панд - так что это освежающий вопрос :)
Во-первых , я хочу упомянуть более быстрое, поскольку вы попросили «упакованное» решение, и оно появляется в большинстве вопросов SO, касающихся распараллеливания панд.
Но .. Я все еще хотел бы поделиться своим личным основным кодом для него, так как после нескольких лет работы с DataFrame я никогда не находил решение для 100% -ного распараллеливания (в основном для функции apply), и мне всегда приходилось возвращаться за моим " ручной "код.
Благодаря вам я сделал более общей поддержку любого (теоретически) метода DataFrame по его имени (поэтому вам не придется сохранять версии для isin, apply и т. Д.).
Я протестировал его на функциях isin, apply и isna, используя python 2.7 и 3.6. В нем меньше 20 строк, и я следовал соглашению об именах панд, например, "subset" и "njobs".
Я также добавил сравнение времени с dask-эквивалентным кодом для «isin», и оно кажется в X2 раза медленнее, чем этот смысл.
Включает 2 функции:
df_multi_core - это тот, кого вы называете. Он принимает:
- Ваш объект DF
- Имя функции, которую вы хотите вызвать
- Подмножество столбцов, над которыми может выполняться функция (помогает сократить время / память)
- Количество параллельных заданий (-1 или опущено для всех ядер)
- Любые другие kwargs, которые принимает функция df (например, «axis»)
_df_split - это внутренняя вспомогательная функция, которая должна располагаться глобально к работающему модулю (Pool.map зависит от места размещения), в противном случае я бы обнаружил ее внутри.
Вот код из моей сущности (я добавлю туда еще функциональные тесты панд):
import pandas as pd
import numpy as np
import multiprocessing
from functools import partial
def _df_split(tup_arg, **kwargs):
split_ind, df_split, df_f_name = tup_arg
return (split_ind, getattr(df_split, df_f_name)(**kwargs))
def df_multi_core(df, df_f_name, subset=None, njobs=-1, **kwargs):
if njobs == -1:
njobs = multiprocessing.cpu_count()
pool = multiprocessing.Pool(processes=njobs)
try:
splits = np.array_split(df[subset], njobs)
except ValueError:
splits = np.array_split(df, njobs)
pool_data = [(split_ind, df_split, df_f_name) for split_ind, df_split in enumerate(splits)]
results = pool.map(partial(_df_split, **kwargs), pool_data)
pool.close()
pool.join()
results = sorted(results, key=lambda x:x[0])
results = pd.concat([split[1] for split in results])
return results
Bellow - это тестовый код для распараллеленного isin , сравнивающий нативную, многоядерную производительность и производительность. На машине с I7 с 8 физическими ядрами я увеличил скорость примерно в четыре раза. Я хотел бы услышать, что вы получаете на ваших реальных данных!
from time import time
if __name__ == '__main__':
sep = '-' * 50
# isin test
N = 10000000
df = pd.DataFrame({'c1': np.random.randint(low=1, high=N, size=N), 'c2': np.arange(N)})
lookfor = np.random.randint(low=1, high=N, size=1000000)
print('{}\ntesting pandas isin on {}\n{}'.format(sep, df.shape, sep))
t1 = time()
print('result\n{}'.format(df.isin(lookfor).sum()))
t2 = time()
print('time for native implementation {}\n{}'.format(round(t2 - t1, 2), sep))
t3 = time()
res = df_multi_core(df=df, df_f_name='isin', subset=['c1'], njobs=-1, values=lookfor)
print('result\n{}'.format(res.sum()))
t4 = time()
print('time for multi core implementation {}\n{}'.format(round(t4 - t3, 2), sep))
t5 = time()
ddata = dd.from_pandas(df, npartitions=njobs)
res = ddata.map_partitions(lambda df: df.apply(apply_f, axis=1)).compute(scheduler='processes')
t6 = time()
print('result random sample\n{}'.format(res.sample(n=3, random_state=0)))
print('time for dask implementation {}\n{}'.format(round(t6 - t5, 2), sep))
--------------------------------------------------
testing pandas isin on (10000000, 2)
--------------------------------------------------
result
c1 953213
c2 951942
dtype: int64
time for native implementation 3.87
--------------------------------------------------
result
c1 953213
dtype: int64
time for multi core implementation 1.16
--------------------------------------------------
result
c1 953213
c2 951942
dtype: int64
time for dask implementation 2.88