如何并行化行方式 Pandas 数据帧的 apply() 方法

Question

我有以下代码：

import pandas as pd
import time

def enrich_str(str):
        
    val1 = f'{str}_1'
    val2 = f'{str}_2'
    val3 = f'{str}_3'
    time.sleep(3)
    
    return val1, val2, val3
    
def enrich_row(passed_row):
    col_name = str(passed_row['colName'])
    my_string = str(passed_row[col_name])
    
    val1, val2, val3 = enrich_str(my_string)
    
    passed_row['enriched1'] = val1
    passed_row['enriched2'] = val2
    passed_row['enriched3'] = val3
    
    return passed_row


df = pd.DataFrame({'numbers': [1, 2, 3, 4, 5], 'colors': ['red', 'white', 'blue', 'orange', 'red']}, 
                  columns=['numbers', 'colors'])

df['colName'] = 'colors'

tic = time.perf_counter()
enriched_df = df.apply(enrich_row, col_name='colors', axis=1)
toc = time.perf_counter()

print(f"{df.shape[0]} rows enriched in {toc - tic:0.4f} seconds")

enriched_df

获取 output dataframe 需要 15 秒，如下所示：

现在我想在我的机器上使用多个线程并行化丰富操作。 我探索了很多解决方案，例如Dask 、 numba ，但它们对我来说似乎都不是直截了当的。

然后我偶然发现了multiprocessing库及其pool.imaps()方法。 所以我尝试运行以下代码：

import multiprocessing as mp

tic = time.perf_counter()
pool = mp.Pool(5)
result = pool.imap(enrich_row, df.itertuples(), chunksize=1)
pool.close()
pool.join()
toc = time.perf_counter()

print(f"{df.shape[0]} rows enriched in {toc - tic:0.4f} seconds")
result

大约需要 2 秒， result不是 Pandas dataframe。 我不知道我哪里错了。

Answer 1

我建议您使用 pathos fork的multiprocessing ，因为它可以更好地处理数据帧的酸洗。 imap返回一个迭代器，而不是 DataFrame，因此您必须将其转换回来：

def enrich_row(row_tuple):
    passed_row = row_tuple[1]
    col_name = str(passed_row['colName'])
    my_string = str(passed_row[col_name])
    
    val1, val2, val3 = enrich_str(my_string)
    
    passed_row['enriched1'] = val1
    passed_row['enriched2'] = val2
    passed_row['enriched3'] = val3
    
    return passed_row

df = pd.DataFrame({'numbers': [1, 2, 3, 4, 5], 'colors': ['red', 'white', 'blue', 'orange', 'red']}, 
                  columns=['numbers', 'colors'])

df['colName'] = 'colors'

from pathos.multiprocessing import Pool

tic = time.perf_counter()
result = Pool(8).imap(enrich_row, df.iterrows(), chunksize=1)
df = pd.DataFrame(result)
toc = time.perf_counter()

print(f"{df.shape[0]} rows enriched in {toc - tic:0.4f} seconds")
print(df)

请注意，我正在使用df.iterrows()它返回元组(row_number, row)的迭代器，所以我修改enrich_row来处理这种格式。

Answer 2

我接受了@albert 的回答，因为它适用于 Linux。 无论如何，我发现Dask 数据框的apply()方法非常简单。 正如我在之前的评论中提到的，起初该操作不是在 120 行的数据集上并行执行的。 后来发现120行只用到了Dask dataframe的一个分区。 因此，进行重新分区以获得所需的并行性就足够了。 这是一个使用 Dask 的代码示例（它会引发一些奇怪的警告......）。