为什么 pandas.grouby.mean 比并行实现快这么多

Question

我在一个非常大的数据集上使用如下所示的 pandas grouby mean 函数：

import pandas as pd
df=pd.read_csv("large_dataset.csv")
df.groupby(['variable']).mean() 

看起来该函数没有使用多处理，因此，我实现了一个并行版本：

import pandas as pd 
from multiprocessing import Pool, cpu_count 

def meanFunc(tmp_name, df_input): 
    df_res=df_input.mean().to_frame().transpose()
    return df_res 

def applyParallel(dfGrouped, func):
    num_process=int(cpu_count())
    with Pool(num_process) as p: 
        ret_list=p.starmap(func, [[name, group] for name, group in dfGrouped])
    return pd.concat(ret_list)

applyParallel(df.groupby(['variable']), meanFunc)

然而，似乎大熊猫实施仍远低于我的并行实现更快。

我正在查看 pandas groupby 的源代码，我看到它正在使用 cython。 是这个原因吗？

def _cython_agg_general(self, how, alt=None, numeric_only=True,
                        min_count=-1):
    output = {}
    for name, obj in self._iterate_slices():
        is_numeric = is_numeric_dtype(obj.dtype)
        if numeric_only and not is_numeric:
            continue

        try:
            result, names = self.grouper.aggregate(obj.values, how,
                                                   min_count=min_count)
        except AssertionError as e:
            raise GroupByError(str(e))
        output[name] = self._try_cast(result, obj)

    if len(output) == 0:
        raise DataError('No numeric types to aggregate')

    return self._wrap_aggregated_output(output, names)

Answer 1

简短回答 - 如果您想要这些类型的情况的并行性，请使用dask 。 你在你的方法中有它避免的陷阱。 它仍然可能不会更快，但会给你最好的镜头，并且在很大程度上是熊猫的替代品。

更长的答案

1) 并行性本质上会增加开销，因此理想情况下，您并行的操作有些昂贵。 添加数字并不是特别的 - 在这里使用 cython 是对的，您正在查看的代码是调度逻辑。 实际的核心 cython 在这里，它转化为一个非常简单的 c 循环。

2）您正在使用多处理 - 这意味着每个进程都需要获取数据的副本。 这是昂贵的。 通常，由于 GIL，您必须在 python 中执行此操作 - 您实际上可以（并且 dask 确实）在这里使用线程，因为 Pandas 操作在 C 中并释放 GIL。

3）正如@AKX 在评论中指出的那样 - 并行化之前的迭代（ ... name, group in dfGrouped ）也相对昂贵 - 它为每个组构建新的子数据帧。 原始的 Pandas 算法在原地迭代数据。