[英]Parallelizing operations for pandas dataframe
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。
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。
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!
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.