Existe uma versão mais comum dessa pergunta em relação à paralelização em função de aplicação de pandas - portanto, essa é uma pergunta refrescante :)
Primeiro , quero mencionar mais rapidamente, já que você pediu uma solução "empacotada", e ela aparece na maioria das questões relacionadas à paralelização de pandas.
Mas .. ainda gostaria de compartilhar meu código de essência pessoal, pois depois de vários anos trabalhando com o DataFrame, nunca encontrei uma solução 100% de paralelização (principalmente para a função de aplicação) e sempre tive que voltar para o meu " código manual ".
Graças a você, tornei mais genérico o suporte a qualquer método DataFrame (teoricamente) por seu nome (para que você não precise manter as versões de isin, apply, etc.).
Eu testei nas funções "isin", "apply" e "isna" usando o python 2.7 e 3.6. São menos de 20 linhas, e eu segui a convenção de nomes de pandas como "subconjunto" e "njobs".
Eu também adicionei uma comparação de tempo com o código equivalente dask para "isin" e parece ~ X2 vezes mais lento que essa essência.
Inclui 2 funções:
df_multi_core - este é o que você chama. Aceita:
- Seu objeto df
- O nome da função que você deseja chamar
- O subconjunto de colunas em que a função pode ser executada (ajuda a reduzir o tempo / memória)
- O número de tarefas a serem executadas em paralelo (-1 ou omitir para todos os núcleos)
- Quaisquer outros kwargs aceitos pela função do df (como "eixo")
_df_split - esta é uma função auxiliar interna que deve ser posicionada globalmente para o módulo em execução (Pool.map é "dependente do posicionamento"), caso contrário, eu a localizaria internamente.
aqui está o código da minha essência (vou adicionar mais testes de função de pandas lá):
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
Abaixo está um código de teste para um isin paralelo , comparando o desempenho nativo, de múltiplos núcleos e dask. Em uma máquina I7 com 8 núcleos físicos, obtive cerca de 4 vezes mais velocidade. Eu adoraria ouvir o que você obtém em seus dados reais!
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