มีคำถามที่พบบ่อยเกี่ยวกับการทำงานแบบคู่ขนานบน pandas ใช้ฟังก์ชั่น - ดังนั้นนี่เป็นคำถามที่สดชื่น :)
ก่อนอื่นฉันอยากจะพูดถึงswifterตั้งแต่คุณถามหา "บรรจุ" และมันก็ปรากฏในคำถาม SO ส่วนใหญ่เกี่ยวกับการขนานของแพนด้า
แต่ ..ฉันยังคงต้องการแบ่งปันรหัสส่วนสำคัญของฉันเพราะหลังจากทำงานกับ DataFrame มาหลายปีฉันไม่เคยพบวิธีแก้ปัญหาขนาน 100% (ส่วนใหญ่ใช้กับฟังก์ชั่นการใช้งาน) และฉันต้องกลับมาหาฉันเสมอ " คู่มือ "รหัส
ขอบคุณที่ฉันทำให้มันเป็นเรื่องธรรมดามากขึ้นที่จะสนับสนุนใด ๆ (ในทางทฤษฎี) วิธี DataFrame ด้วยชื่อของมัน (ดังนั้นคุณจะไม่ต้องเก็บรุ่นสำหรับไอซิน, สมัคร, ฯลฯ .. )
ฉันทดสอบกับฟังก์ชั่น "isin", "Apply" และ "isna" โดยใช้ทั้ง python 2.7 และ 3.6 มันต่ำกว่า 20 บรรทัดและฉันทำตามแบบแผนการตั้งชื่อของแพนด้าเช่น "subset" และ "njobs"
ฉันยังเพิ่มการเปรียบเทียบเวลากับรหัสเทียบเท่า dask สำหรับ "isin" และดูเหมือนว่า ~ X2 ครั้งช้ากว่าส่วนสำคัญนี้
มันมี 2 ฟังก์ชั่น:
df_multi_core - นี่คือสิ่งที่คุณเรียก มันยอมรับ:
- วัตถุ df ของคุณ
- ชื่อฟังก์ชันที่คุณต้องการโทร
- ชุดย่อยของคอลัมน์ที่สามารถใช้งานได้ (ช่วยลดเวลา / หน่วยความจำ)
- จำนวนของงานที่ต้องรันแบบขนาน (-1 หรือละเว้นสำหรับทุกคอร์)
- kwargs อื่น ๆ ที่ฟังก์ชั่นของ df ยอมรับ (เช่น "แกน")
_df_split - นี่คือฟังก์ชั่นตัวช่วยภายในที่จะต้องวางตำแหน่งทั่วโลกในโมดูลที่กำลังทำงาน (Pool.map คือ "การจัดวาง") มิฉะนั้นฉันจะหามันภายใน ..
นี่คือรหัสจากส่วนสำคัญของฉัน(ฉันจะเพิ่มการทดสอบฟังก์ชั่นแพนด้าเพิ่มเติมที่นั่น):
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
ร้องเป็นรหัสการทดสอบสำหรับ parallelized ISINเปรียบเทียบพื้นเมืองเค้าแบบ multi-core และประสิทธิภาพการทำงาน dask บนเครื่อง I7 ที่มี 8 ฟิสิคัลคอร์ฉันได้รับความเร็วเพิ่มขึ้น X4 เท่า ฉันชอบที่จะได้ยินสิ่งที่คุณได้รับจากข้อมูลจริงของคุณ!
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