Es gibt eine häufigere Version dieser Frage bezüglich der Parallelisierung der Pandas Apply- Funktion - dies ist also eine erfrischende Frage :)
Zunächst möchte ich Swifter erwähnen, da Sie nach einer "gepackten" Lösung gefragt haben und dies auf den meisten SO-Fragen in Bezug auf die Parallelisierung von Pandas erscheint.
Aber ich möchte trotzdem meinen persönlichen Hauptcode dafür weitergeben, da ich nach einigen Jahren der Arbeit mit DataFrame nie eine 100% -Parallelisierungslösung (hauptsächlich für die Apply-Funktion) gefunden habe und immer wieder zurückkehren musste, um meinen " Handbuch "Code.
Dank Ihnen habe ich es allgemeiner gestaltet, jede (theoretisch) DataFrame-Methode mit ihrem Namen zu unterstützen (damit Sie keine Versionen für isin, apply usw. behalten müssen).
Ich habe es auf "isin" -, "apply" - und "isna" -Funktionen mit Python 2.7 und 3.6 getestet. Es ist unter 20 Zeilen, und ich folgte der Pandas Namenskonvention wie "Teilmenge" und "NJOBS".
Ich habe auch einen Zeitvergleich mit dem dask-äquivalenten Code für "isin" hinzugefügt und es scheint ~ X2-mal langsamer zu sein als dieser Kern.
Es beinhaltet 2 Funktionen:
df_multi_core - das ist das, was du nennst. Es akzeptiert:
- Dein df Objekt
- Der Funktionsname, den Sie aufrufen möchten
- Die Teilmenge der Spalten, für die die Funktion ausgeführt werden kann (hilft, Zeit / Speicher zu reduzieren)
- Die Anzahl der Jobs, die parallel ausgeführt werden sollen (-1 oder für alle Kerne weggelassen)
- Alle anderen kwargs, die die df-Funktion akzeptiert (wie "axis")
_df_split - Dies ist eine interne Hilfsfunktion , die global zum laufenden Modul positioniert werden muss (Pool.map ist "Placement-abhängig"), andernfalls würde ich sie intern lokalisieren.
Hier ist der Code aus meiner Übersicht (ich werde dort weitere Pandas-Funktionstests hinzufügen):
import pandas as pd
import numpy as np
import multiprocessing
from functools import partial
def _df_split(tup_arg, **kwargs):
split_ind, df_split, df_f_name = tup_arg
return (split_ind, getattr(df_split, df_f_name)(**kwargs))
def df_multi_core(df, df_f_name, subset=None, njobs=-1, **kwargs):
if njobs == -1:
njobs = multiprocessing.cpu_count()
pool = multiprocessing.Pool(processes=njobs)
try:
splits = np.array_split(df[subset], njobs)
except ValueError:
splits = np.array_split(df, njobs)
pool_data = [(split_ind, df_split, df_f_name) for split_ind, df_split in enumerate(splits)]
results = pool.map(partial(_df_split, **kwargs), pool_data)
pool.close()
pool.join()
results = sorted(results, key=lambda x:x[0])
results = pd.concat([split[1] for split in results])
return results
Der folgende Code ist ein Testcode für ein parallelisiertes isin , in dem die native Mehrkernleistung mit der Leistung von dask verglichen wird. Auf einer I7-Maschine mit 8 physischen Kernen habe ich ungefähr die vierfache Geschwindigkeit erreicht. Ich würde gerne hören, was Sie von Ihren realen Daten erhalten!
from time import time
if __name__ == '__main__':
sep = '-' * 50
# isin test
N = 10000000
df = pd.DataFrame({'c1': np.random.randint(low=1, high=N, size=N), 'c2': np.arange(N)})
lookfor = np.random.randint(low=1, high=N, size=1000000)
print('{}\ntesting pandas isin on {}\n{}'.format(sep, df.shape, sep))
t1 = time()
print('result\n{}'.format(df.isin(lookfor).sum()))
t2 = time()
print('time for native implementation {}\n{}'.format(round(t2 - t1, 2), sep))
t3 = time()
res = df_multi_core(df=df, df_f_name='isin', subset=['c1'], njobs=-1, values=lookfor)
print('result\n{}'.format(res.sum()))
t4 = time()
print('time for multi core implementation {}\n{}'.format(round(t4 - t3, 2), sep))
t5 = time()
ddata = dd.from_pandas(df, npartitions=njobs)
res = ddata.map_partitions(lambda df: df.apply(apply_f, axis=1)).compute(scheduler='processes')
t6 = time()
print('result random sample\n{}'.format(res.sample(n=3, random_state=0)))
print('time for dask implementation {}\n{}'.format(round(t6 - t5, 2), sep))
--------------------------------------------------
testing pandas isin on (10000000, 2)
--------------------------------------------------
result
c1 953213
c2 951942
dtype: int64
time for native implementation 3.87
--------------------------------------------------
result
c1 953213
dtype: int64
time for multi core implementation 1.16
--------------------------------------------------
result
c1 953213
c2 951942
dtype: int64
time for dask implementation 2.88