Yukarıdaki yorumlardan, bunun pandas
bir süredir planlandığı anlaşılıyor (ayrıca ilginç görünen bir rosetta
proje var az önce fark ettiğim var).
Bununla birlikte, her paralel işlevsellik dahil edilinceye kadar pandas
, pandas
doğrudan cython
+ OpenMP kullanarak verimli ve bellek kopyalamayan paralel artırmalar yazmanın çok kolay olduğunu fark ettim. ve C ++ .
İşte kullanımı şuna benzer bir paralel grup toplamı yazmaya ilişkin kısa bir örnek:
import pandas as pd
import para_group_demo
df = pd.DataFrame({'a': [1, 2, 1, 2, 1, 1, 0], 'b': range(7)})
print para_group_demo.sum(df.a, df.b)
ve çıktı:
sum
key
0 6
1 11
2 4
Not Şüphesiz, bu basit örneğin işlevselliği eninde sonunda bunun bir parçası olacaktır pandas
. Bununla birlikte, bazı şeylerin bir süre C ++ ile paralel hale getirilmesi daha doğal olacaktır ve bunu birleştirmenin ne kadar kolay olduğunun farkında olmak önemlidir pandas
.
Bunu yapmak için, kodu takip eden basit bir tek kaynaklı dosya uzantısı yazdım.
Bazı içe aktarmalar ve tür tanımlarıyla başlar
from libc.stdint cimport int64_t, uint64_t
from libcpp.vector cimport vector
from libcpp.unordered_map cimport unordered_map
cimport cython
from cython.operator cimport dereference as deref, preincrement as inc
from cython.parallel import prange
import pandas as pd
ctypedef unordered_map[int64_t, uint64_t] counts_t
ctypedef unordered_map[int64_t, uint64_t].iterator counts_it_t
ctypedef vector[counts_t] counts_vec_t
C ++ unordered_map
türü tek bir iş parçacığı ile toplamak içindir vevector
tarafından toplamak içindir ve tüm iş parçacıkları tarafından toplamak içindir.
Şimdi işleve sum
. Hızlı erişim için yazılı hafıza görünümleriyle başlar :
def sum(crit, vals):
cdef int64_t[:] crit_view = crit.values
cdef int64_t[:] vals_view = vals.values
İşlev, yarı eşit olarak dişlere bölerek (burada 4'e kodlanmıştır) ve her bir iş parçacığının kendi aralığındaki girişleri toplamıyla devam eder:
cdef uint64_t num_threads = 4
cdef uint64_t l = len(crit)
cdef uint64_t s = l / num_threads + 1
cdef uint64_t i, j, e
cdef counts_vec_t counts
counts = counts_vec_t(num_threads)
counts.resize(num_threads)
with cython.boundscheck(False):
for i in prange(num_threads, nogil=True):
j = i * s
e = j + s
if e > l:
e = l
while j < e:
counts[i][crit_view[j]] += vals_view[j]
inc(j)
İş parçacıkları tamamlandığında, işlev tüm sonuçları (farklı aralıklardan) tek bir sonuçta birleştirir unordered_map
:
cdef counts_t total
cdef counts_it_t it, e_it
for i in range(num_threads):
it = counts[i].begin()
e_it = counts[i].end()
while it != e_it:
total[deref(it).first] += deref(it).second
inc(it)
Geriye kalan tek şey bir oluşturmak DataFrame
ve sonuçları döndürmektir:
key, sum_ = [], []
it = total.begin()
e_it = total.end()
while it != e_it:
key.append(deref(it).first)
sum_.append(deref(it).second)
inc(it)
df = pd.DataFrame({'key': key, 'sum': sum_})
df.set_index('key', inplace=True)
return df