pandas 数据帧的并行化操作

Question

我有一个非常大的熊猫数据框，如下所示：

╔════════╦═════════════╦════════╗
║ index  ║    Users    ║ Income ║
╠════════╬═════════════╬════════╣
║ 0      ║ user_1      ║    304 ║
║ 1      ║ user_2      ║    299 ║
║ ...    ║             ║        ║
║ 399999 ║ user_400000 ║    542 ║
╚════════╩═════════════╩════════╝

（有几列需要做一些计算）

因此，对于每个客户端，我都必须应用大量的操作（移位、求和、减法、条件等），因此（据我所知）不可能对所有内容应用布尔屏蔽，我已经尝试过，所以我的问题是可以按如下方式将 Pandas 数据帧分成块，例如：

# chunk 1
╔════════╦═════════════╦════════╗
║ index  ║    Users    ║ Income ║
╠════════╬═════════════╬════════╣
║ 0      ║ user_1      ║    304 ║
║ 1      ║ user_2      ║    299 ║
║ ...    ║             ║        ║
║ 19999  ║ user_20000  ║    432 ║
╚════════╩═════════════╩════════╝

# chunk 2
╔════════╦═════════════╦════════╗
║ index  ║    Users    ║ Income ║
╠════════╬═════════════╬════════╣
║ 20000  ║ user_20000  ║    199 ║
║ 20001  ║ user_20001  ║    412 ║
║ ...    ║             ║        ║
║ 39999  ║ user_40000  ║    725 ║
╚════════╩═════════════╩════════╝

# chunk K 
╔════════╦═════════════╦════════╗
║ index  ║    Users    ║ Income ║
╠════════╬═════════════╬════════╣
║ ...    ║ user_...    ║    ... ║
║ ...    ║ user_...    ║    ... ║
║ ...    ║             ║        ║
║ ...    ║ user_...    ║    ... ║
╚════════╩═════════════╩════════╝

并并行应用所有这些块的所有操作。

Answer 1

您可以使用多处理池来完成其中一些任务，但是，多处理也是一项昂贵的操作，因此您需要测试并行化它是否实际上更快，这取决于您正在运行的函数类型和数据，例如我创建了一个示例df ：

import pandas as pd
import numpy as np
from random import randint
from multiprocessing import Pool, cpu_count
from timeit import timeit


def f(df: pd.DataFrame):
    df['Something'] = df['Users'].apply(lambda name: len(name))
    df['Other stuff'] = df['Income'].apply(lambda income: 'Senior' if income > 200 else 'Junior')
    df['Some other stuff'] = df['Users'].apply(lambda name:  name.count('1'))
    return df


if __name__ == '__main__':
    samples = 5000000
    df = pd.DataFrame(
        [
            ['user_' + str(i), randint(0, 500)] for i in range(1, samples)
        ], columns=['Users', 'Income']
    )

如果我们使用多处理对这个版本的f函数38.189200899999996 ，我的旧笔记本电脑会得到38.189200899999996 ：

    parallelized = timeit("""
cores = cpu_count()
df_in_chunks = np.array_split(df, cores)
pool = Pool(cores)
result_df = pd.concat(pool.map(f, df_in_chunks))
pool.close()
pool.join()
    """, 
    "from __main__ import pd, np, df, Pool, cpu_count, f", 
    number=5
    )
    print(parallelized)

在这种情况下，我得到25.0754394 ，因此使用多处理的开销大于在单个内核中运行整个事物的执行时间。

    not_parallelized = timeit("""
result_df = f(df)
    """, 
    "from __main__ import pd, df, f", 
    number=5
    )
    print(not_parallelized)

然而，如果我们给f函数增加更多的复杂性，那么将df广播到每个进程比在单个内核中运行它更便宜。

Answer 2

据我所知，pandas GroupBy:-Split,-Apply,-Combine可以解决您的问题。 将你的 DataFrame 分成多个块（组），然后对每个块（组）应用一个自定义函数。 如果您有任何其他问题，我们可以讨论代码。

希望这可以帮助！