Tqdm'yi özel paralel pandalar-uygulama kodlarına uygulamak isteyen herkes için.
(Yıllar boyunca bazı kütüphaneleri paralelleştirme için denedim, ancak esas olarak uygulama işlevi için% 100 paralelleştirme çözümü bulamadım ve her zaman "manuel" kodum için geri gelmek zorunda kaldım.)
df_multi_core - aradığınız kişi budur. Kabul eder:
- Df nesneniz
- Çağırmak istediğiniz işlev adı
- İşlevin gerçekleştirilebileceği sütunların alt kümesi (zamanın / belleğin azaltılmasına yardımcı olur)
- Paralel olarak çalıştırılacak iş sayısı (-1 veya tüm çekirdekler için ihmal)
- Df'nin işlevinin kabul ettiği herhangi bir diğer kwarg ("eksen" gibi)
_df_split - bu, çalışan modüle global olarak konumlandırılması gereken dahili bir yardımcı işlevdir (Pool.map "yerleşime bağlıdır"), aksi takdirde onu dahili olarak bulurdum ..
İşte özümdeki kod (oraya daha fazla panda fonksiyon testi ekleyeceğim):
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
Körük, tqdm "progress_apply" ile paralelleştirilmiş bir uygulama için bir test kodudur .
from time import time
from tqdm import tqdm
tqdm.pandas()
if __name__ == '__main__':
sep = '-' * 50
def apply_f(row):
return row['c1'] + 0.1
N = 1000000
np.random.seed(0)
df = pd.DataFrame({'c1': np.arange(N), 'c2': np.arange(N)})
print('testing pandas apply on {}\n{}'.format(df.shape, sep))
t1 = time()
res = df.progress_apply(apply_f, axis=1)
t2 = time()
print('result random sample\n{}'.format(res.sample(n=3, random_state=0)))
print('time for native implementation {}\n{}'.format(round(t2 - t1, 2), sep))
t3 = time()
res = df_multi_core(df=df, df_f_name='progress_apply', subset=['c1'], njobs=-1, func=apply_f, axis=1)
t4 = time()
print('result random sample\n{}'.format(res.sample(n=3, random_state=0)))
print('time for multi core implementation {}\n{}'.format(round(t4 - t3, 2), sep))
Çıktıda, paralelleştirme olmadan çalıştırmak için 1 ilerleme çubuğu ve paralelleştirmeyle çalışırken çekirdek başına ilerleme çubuğu görebilirsiniz. Hafif bir kesinti var ve bazen çekirdeklerin geri kalanı aynı anda görünüyor, ancak o zaman bile çekirdek başına ilerleme istatistiklerini aldığınız için yararlı olduğunu düşünüyorum (örneğin, o / sn ve toplam kayıtlar)
Bu harika kütüphane için @abcdaa'ya teşekkür ederiz!