Am einfachsten ist es, die map_partitions von Dask zu verwenden . Sie benötigen diese Importe (Sie müssen pip install dask
):
import pandas as pd
import dask.dataframe as dd
from dask.multiprocessing import get
und die Syntax ist
data = <your_pandas_dataframe>
ddata = dd.from_pandas(data, npartitions=30)
def myfunc(x,y,z, ...): return <whatever>
res = ddata.map_partitions(lambda df: df.apply((lambda row: myfunc(*row)), axis=1)).compute(get=get)
(Ich glaube, dass 30 eine geeignete Anzahl von Partitionen ist, wenn Sie 16 Kerne haben). Der Vollständigkeit halber habe ich den Unterschied auf meiner Maschine (16 Kerne) zeitlich festgelegt:
data = pd.DataFrame()
data['col1'] = np.random.normal(size = 1500000)
data['col2'] = np.random.normal(size = 1500000)
ddata = dd.from_pandas(data, npartitions=30)
def myfunc(x,y): return y*(x**2+1)
def apply_myfunc_to_DF(df): return df.apply((lambda row: myfunc(*row)), axis=1)
def pandas_apply(): return apply_myfunc_to_DF(data)
def dask_apply(): return ddata.map_partitions(apply_myfunc_to_DF).compute(get=get)
def vectorized(): return myfunc(data['col1'], data['col2'] )
t_pds = timeit.Timer(lambda: pandas_apply())
print(t_pds.timeit(number=1))
28.16970546543598
t_dsk = timeit.Timer(lambda: dask_apply())
print(t_dsk.timeit(number=1))
2.708152851089835
t_vec = timeit.Timer(lambda: vectorized())
print(t_vec.timeit(number=1))
0,010668013244867325
Wenn Sie einen Faktor von 10 für die Beschleunigung von Pandas angeben , gilt dies für dask auf Partitionen. Wenn Sie eine Funktion haben, die Sie vektorisieren können, sollten Sie dies natürlich tun - in diesem Fall ist die Funktion ( y*(x**2+1)
) trivial vektorisiert, aber es gibt viele Dinge, die nicht vektorisiert werden können.