ทำให้ Pandas DataFrame ใช้ () ใช้คอร์ทั้งหมดหรือไม่

เมื่อวันที่สิงหาคม 2017, นุ่นDataFame.apply ()เป็นที่น่าเสียดายที่ยังมีข้อ จำกัด ในการทำงานร่วมกับแกนเดียวหมายความว่าเครื่องแบบ multi-core df.apply(myfunc, axis=1)จะเสียส่วนใหญ่ของการคำนวณเวลาเมื่อคุณเรียกใช้

คุณจะใช้คอร์ทั้งหมดของคุณเพื่อรันใช้กับดาต้าเฟรมแบบขนานได้อย่างไร

คุณสามารถใช้swifterแพ็คเกจ:

pip install swifter

ทำงานเป็นปลั๊กอินสำหรับแพนด้าช่วยให้คุณสามารถใช้applyฟังก์ชันนี้ซ้ำได้:

import swifter

def some_function(data):
    return data * 10

data['out'] = data['in'].swifter.apply(some_function)

มันจะหาวิธีที่มีประสิทธิภาพที่สุดในการขนานฟังก์ชันโดยอัตโนมัติไม่ว่าจะเป็นเวกเตอร์ (ตามตัวอย่างด้านบน) หรือไม่ก็ตาม

ตัวอย่างเพิ่มเติมและการเปรียบเทียบประสิทธิภาพมีอยู่ใน GitHub โปรดทราบว่าแพ็คเกจอยู่ระหว่างการพัฒนาดังนั้น API อาจมีการเปลี่ยนแปลง

โปรดทราบว่าสิ่งนี้จะไม่ทำงานโดยอัตโนมัติสำหรับคอลัมน์สตริง เมื่อใช้สตริง Swifter จะเปลี่ยนกลับเป็นแพนด้า“ ธรรมดา” applyซึ่งจะไม่ขนานกัน ในกรณีนี้แม้จะบังคับให้มันใช้งานdaskจะไม่สร้างการปรับปรุงประสิทธิภาพการทำงานและคุณจะดีกว่าเพียงแค่การแยกชุดข้อมูลของคุณด้วยตนเองและparallelizing multiprocessingใช้

วิธีที่ง่ายที่สุดคือการใช้map_partitions Dask ของ คุณต้องนำเข้าเหล่านี้ (คุณจะต้องpip install dask):

import pandas as pd
import dask.dataframe as dd
from dask.multiprocessing import get

และไวยากรณ์คือ

data = <your_pandas_dataframe>
ddata = dd.from_pandas(data, npartitions=30)

def myfunc(x,y,z, ...): return <whatever>

res = ddata.map_partitions(lambda df: df.apply((lambda row: myfunc(*row)), axis=1)).compute(get=get)  

(ฉันเชื่อว่า 30 เป็นจำนวนพาร์ติชันที่เหมาะสมหากคุณมี 16 คอร์) เพื่อความสมบูรณ์ฉันกำหนดเวลาความแตกต่างบนเครื่องของฉัน (16 คอร์):

data = pd.DataFrame()
data['col1'] = np.random.normal(size = 1500000)
data['col2'] = np.random.normal(size = 1500000)

ddata = dd.from_pandas(data, npartitions=30)
def myfunc(x,y): return y*(x**2+1)
def apply_myfunc_to_DF(df): return df.apply((lambda row: myfunc(*row)), axis=1)
def pandas_apply(): return apply_myfunc_to_DF(data)
def dask_apply(): return ddata.map_partitions(apply_myfunc_to_DF).compute(get=get)  
def vectorized(): return myfunc(data['col1'], data['col2']  )

t_pds = timeit.Timer(lambda: pandas_apply())
print(t_pds.timeit(number=1))

28.16970546543598

t_dsk = timeit.Timer(lambda: dask_apply())
print(t_dsk.timeit(number=1))

2.708152851089835

t_vec = timeit.Timer(lambda: vectorized())
print(t_vec.timeit(number=1))

0.010668013244867325

การให้ปัจจัย 10 speedupจากแพนด้าใช้กับ dask ใช้กับพาร์ติชัน แน่นอนถ้าคุณมีฟังก์ชันที่คุณสามารถ vectorize ได้คุณควร - ในกรณีนี้ function ( y*(x**2+1)) เป็น vectorized เล็กน้อย แต่มีหลายสิ่งที่เป็นไปไม่ได้ที่จะ vectorize

คุณสามารถลองpandarallelใช้แทน: เครื่องมือที่เรียบง่ายและมีประสิทธิภาพในการขนานการทำงานของแพนด้าบนซีพียูทั้งหมดของคุณ (บน Linux และ macOS)

• Parallelization มีค่าใช้จ่าย (การสร้างกระบวนการใหม่การส่งข้อมูลผ่านหน่วยความจำที่ใช้ร่วมกัน ฯลฯ ... ) ดังนั้นการทำแบบขนานจะมีประสิทธิภาพก็ต่อเมื่อปริมาณการคำนวณเพื่อขนานนั้นสูงเพียงพอ สำหรับข้อมูลจำนวนน้อยมากการใช้ Parallezation ไม่คุ้มค่าเสมอไป
• ฟังก์ชันที่ใช้ไม่ควรเป็นฟังก์ชันแลมบ์ดา

from pandarallel import pandarallel
from math import sin

pandarallel.initialize()

# FORBIDDEN
df.parallel_apply(lambda x: sin(x**2), axis=1)

# ALLOWED
def func(x):
    return sin(x**2)

df.parallel_apply(func, axis=1)

ดูhttps://github.com/nalepae/pandarallel

หากคุณต้องการอยู่ใน python ดั้งเดิม:

import multiprocessing as mp

with mp.Pool(mp.cpu_count()) as pool:
    df['newcol'] = pool.map(f, df['col'])

จะใช้ฟังก์ชันfแบบคู่ขนานกับคอลัมน์colของดาต้าเฟรมdf

นี่คือตัวอย่างของ sklearn base transformer ซึ่งแพนด้าใช้จะขนานกัน

import multiprocessing as mp
from sklearn.base import TransformerMixin, BaseEstimator

class ParllelTransformer(BaseEstimator, TransformerMixin):
    def __init__(self,
                 n_jobs=1):
        """
        n_jobs - parallel jobs to run
        """
        self.variety = variety
        self.user_abbrevs = user_abbrevs
        self.n_jobs = n_jobs
    def fit(self, X, y=None):
        return self
    def transform(self, X, *_):
        X_copy = X.copy()
        cores = mp.cpu_count()
        partitions = 1

        if self.n_jobs <= -1:
            partitions = cores
        elif self.n_jobs <= 0:
            partitions = 1
        else:
            partitions = min(self.n_jobs, cores)

        if partitions == 1:
            # transform sequentially
            return X_copy.apply(self._transform_one)

        # splitting data into batches
        data_split = np.array_split(X_copy, partitions)

        pool = mp.Pool(cores)

        # Here reduce function - concationation of transformed batches
        data = pd.concat(
            pool.map(self._preprocess_part, data_split)
        )

        pool.close()
        pool.join()
        return data
    def _transform_part(self, df_part):
        return df_part.apply(self._transform_one)
    def _transform_one(self, line):
        # some kind of transformations here
        return line

สำหรับข้อมูลเพิ่มเติมโปรดดูที่https://towardsdatascience.com/4-easy-steps-to-improve-your-machine-learning-code-performance-88a0b0eeffa8

ที่จะใช้ทั้งหมด (ทางร่างกายหรือตรรกะ) แกนคุณอาจจะลองmapplyเป็นทางเลือกให้กับและswifterpandarallel

คุณสามารถกำหนดจำนวนคอร์ (และพฤติกรรมการแยกชิ้นส่วน) เมื่อเริ่มต้น:

import pandas as pd
import mapply

mapply.init(n_workers=-1)

...

df.mapply(myfunc, axis=1)

ตามค่าเริ่มต้น ( n_workers=-1) แพ็กเกจจะใช้ซีพียูทางกายภาพทั้งหมดที่มีอยู่ในระบบ หากระบบของคุณใช้ไฮเปอร์เธรด (โดยปกติเป็นสองเท่าของจำนวนซีพียูทางกายภาพที่จะปรากฏขึ้น) mapplyจะสร้างผู้ปฏิบัติงานเพิ่มอีกหนึ่งคนเพื่อจัดลำดับความสำคัญของพูลการประมวลผลหลายขั้นตอนเหนือกระบวนการอื่น ๆ ในระบบ

ทั้งนี้ขึ้นอยู่กับคำจำกัดความของall your coresคุณคุณสามารถใช้คอร์ตรรกะทั้งหมดแทนได้ (โปรดระวังว่ากระบวนการที่เชื่อมโยงกับ CPU จะต่อสู้กับซีพียูทางกายภาพซึ่งอาจทำให้การทำงานของคุณช้าลง):

import multiprocessing
n_workers = multiprocessing.cpu_count()

# or more explicit
import psutil
n_workers = psutil.cpu_count(logical=True)

ตั้งแต่คำถามคือ " วิธีการที่คุณสามารถใช้แกนของคุณทั้งหมดเรียกใช้บน dataframe ในขนาน? " modinคำตอบก็ยังสามารถอยู่กับ คุณสามารถรันคอร์ทั้งหมดแบบขนานได้แม้ว่าเวลาจริงจะแย่กว่าก็ตาม

ดูhttps://github.com/modin-project/modin มันวิ่งจากด้านบนของหรือdask rayพวกเขาพูดว่า "Modin คือ DataFrame ที่ออกแบบมาสำหรับชุดข้อมูลตั้งแต่ 1MB ถึง 1TB +" ฉันพยายาม: pip3 install "modin"[ray]". Modin vs pandas คือ - 12 วินาทีในหกคอร์เทียบกับ 6 วินาที