Aplicação eficiente de uma função a um DataFrame de pandas agrupados em paralelo

Question 1

Freqüentemente, preciso aplicar uma função aos grupos de um muito grande DataFrame(de tipos de dados mistos) e gostaria de tirar proveito de vários núcleos.

Posso criar um iterador a partir dos grupos e usar o módulo de multiprocessamento, mas não é eficiente porque cada grupo e os resultados da função devem ser separados para envio de mensagens entre processos.

Existe alguma maneira de evitar a decapagem ou mesmo evitar a cópia do DataFramecompletamente? Parece que as funções de memória compartilhada dos módulos de multiprocessamento são limitadas a numpyarrays. Existem outras opções?

Question 2

Pelos comentários acima, parece que isso está planejado há pandasalgum tempo (há também um rosettaprojeto de aparência interessante que acabei de notar).

No entanto, até que todas as funcionalidades paralelas sejam incorporadas pandas, percebi que é muito fácil escrever ampliações paralelas eficientes e sem cópia de memória para pandasusar diretamente cython+ OpenMP e C ++.

Aqui está um pequeno exemplo de como escrever um grupo por soma paralelo, cujo uso é algo assim:

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)

e a saída é:

Nota Sem dúvida, a funcionalidade deste exemplo simples fará parte do pandas. Algumas coisas, no entanto, serão mais naturais paralelizar em C ++ por algum tempo, e é importante estar ciente de como é fácil combinar isso em pandas.

Para fazer isso, escrevi uma extensão de arquivo de origem única simples cujo código segue.

Começa com algumas importações e definições de tipo

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

O unordered_maptipo C ++ é para somar por um único thread e o vectoré para somar por todos os threads.

Agora para a função sum. Ele começa com visualizações de memória digitadas para acesso rápido:

def sum(crit, vals):
    cdef int64_t[:] crit_view = crit.values
    cdef int64_t[:] vals_view = vals.values

A função continua dividindo o semi-igualmente para os threads (aqui codificados para 4), e fazendo com que cada thread some as entradas em seu intervalo:

    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)

Quando os threads são concluídos, a função mescla todos os resultados (de diferentes intervalos) em um único 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)

Tudo o que resta é criar um DataFramee retornar os resultados:

    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