Pandas 数据帧的多处理
我在Dataframe列上应用函数,但我想让它更快,因为该函数在串行完成时需要大量处理时间Pandas 数据帧的多处理,pandas,multithreading,dataframe,parallel-processing,multiprocessing,Pandas,Multithreading,Dataframe,Parallel Processing,Multiprocessing,我在Dataframe列上应用函数,但我想让它更快,因为该函数在串行完成时需要大量处理时间 df[df['codes']=='None']['q'][:1].apply(lambda x: clf(x,candidate_labels)) 连续运行一行只需要2.52秒,但是当使用多处理运行下面的代码时,它需要更长的51.61秒,并且我有大约2500行进行处理,因此运行函数需要很多时间。我希望它至少能加速20% import multiprocessing import pandas as pd
df[df['codes']=='None']['q'][:1].apply(lambda x: clf(x,candidate_labels))
连续运行一行只需要2.52秒
,但是当使用多处理运行下面的代码时,它需要更长的51.61秒
,并且我有大约2500行
进行处理,因此运行函数需要很多时间。我希望它至少能加速20%
import multiprocessing
import pandas as pd
import numpy as np
def clf(x):
...
return list
def _apply_df(args):
df, func, kwargs = args
return df.apply(func, **kwargs)
def apply_by_multiprocessing(df, func, **kwargs):
workers = kwargs.pop('workers')
pool = multiprocessing.Pool(processes=workers)
result = pool.map(_apply_df, [(d, func, kwargs)
for d in np.array_split(df, workers)])
pool.close()
return pd.concat(list(result))
if __name__ == '__main__':
tart_time = time.time()
res=apply_by_multiprocessing(df[df['codes']=='None']['q'][:1],clf, workers=4)
print(res)
print("--- %s seconds ---" % (time.time() - start_time))
## run by 4 processors
我也尝试了不同的多处理迭代,但似乎没有一个能加快流程,因为它们会减慢我的代码
from pandarallel import pandarallel
import time
pandarallel.initialize(progress_bar=True)
start_time = time.time()
categories = df[df['codes']=='None']['q'][:10].parallel_apply(lambda x: clf(x,candidate_labels))
print("--- %s seconds ---" % (time.time() - start_time))
另一个实验:
import multiprocessing as mp
def clf:
...
return list
if __name__ == '__main__':
p = mp.Pool(processes=8)
pool_results = p.map(clf, df[df['codes']=='None']['q'][:1])
p.close()
p.join()
也许你可以用这个:
clf
在做什么?也许有矢量化的替代方案。。。此外,多进程需要时间进行配置,并且在规模上弥补了这一点,但是如果没有明确的方法将函数拆分为线程,那么您将获得零时间,并花费更多的时间配置线程call@RichieV谢谢你的回复,因此,clf
实际上正在运行一个预先训练好的文本分类模型,我将其应用于数据帧的每一行。每一行都是一个句子,需要分类为特定的主题。你使用的是哪种模式?我知道sklearn将多进程作为一个选项嵌入。另外,有没有办法将多行代码传递给您的模型?在创建之前,我会对此进行研究multiprocess@RichieV我没有使用sklearn的任何东西。这是一个来自HuggingFace的零镜头文本分类模型。函数clf
只是执行candidate_labels=['a','b',…]cat=classifier(seq,candidate_labels)返回cat
我刚刚试过,一行大约需要17秒。仍然比<代码>慢。应用< /代码>函数,不符合我预期的多处理结果。
pip install pandas-multiprocess
from pandas_multiprocess import multi_process
args = {'workers': 4}
result = multi_process(func=clf, data=df, num_process=8, **args)