多进程Python / Numpy代码可更快地处理数据

Question

我正在读取数百个HDF文件，并分别处理每个HDF的数据。 但是，由于它一次只处理一个HDF文件，因此需要花费大量时间。 我只是偶然发现http://docs.python.org/library/multiprocessing.html ，现在想知道如何使用多处理来加快处理速度。

到目前为止，我想到了这个：

import numpy as np
from multiprocessing import Pool

def myhdf(date):
    ii      = dates.index(date)
    year    = date[0:4]
    month   = date[4:6]
    day     = date[6:8]
    rootdir = 'data/mydata/'
    filename = 'no2track'+year+month+day
    records = read_my_hdf(rootdir,filename)
    if records.size:
        results[ii] = np.mean(records)

dates = ['20080105','20080106','20080107','20080108','20080109']
results = np.zeros(len(dates))

pool = Pool(len(dates))
pool.map(myhdf,dates)

但是，这显然是不正确的。 您能遵循我的想法去做吗？ 我需要更改什么？

Answer 1

尝试joblib获得更友好的multiprocessing包装器：

from joblib import Parallel, delayed

def myhdf(date):
    # do work
    return np.mean(records)

results = Parallel(n_jobs=-1)(delayed(myhdf)(d) for d in dates)

Answer 2

Pool classes 映射函数类似于标准的python库map函数，可以确保按放入顺序返回结果。知道这一点，唯一的另一招是需要以一致的方式返回结果，然后对其进行过滤。

import numpy as np
from multiprocessing import Pool

def myhdf(date):
    year    = date[0:4]
    month   = date[4:6]
    day     = date[6:8]
    rootdir = 'data/mydata/'
    filename = 'no2track'+year+month+day
    records = read_my_hdf(rootdir,filename)
    if records.size:
        return np.mean(records)

dates = ['20080105','20080106','20080107','20080108','20080109']

pool = Pool(len(dates))
results = pool.map(myhdf,dates)
results = [ result for result in results if result ]
results = np.array(results)

如果您确实希望尽快获得结果，则可以使用imap_unordered