Python 如何将函数并行应用于数据帧的多个列

我有一个包含数十万行的pandas数据帧，我想在该数据帧的多个列上并行应用一个耗时的函数

我知道如何连续应用这个函数。例如：

import hashlib

import pandas as pd


df = pd.DataFrame(
    {'col1': range(100_000), 'col2': range(100_000, 200_000)},
    columns=['col1', 'col2'])


def foo(col1, col2):
    # This function is actually much more time consuming in real life
    return hashlib.md5(f'{col1}-{col2}'.encode('utf-8')).hexdigest()


df['md5'] = df.apply(lambda row: foo(row.col1, row.col2), axis=1)

df.head()
# Out[5]: 
#    col1    col2                               md5
# 0     0  100000  92e2a2c7a6b7e3ee70a1c5a5f2eafd13
# 1     1  100001  01d14f5020a8ba2715cbad51fd4c503d
# 2     2  100002  c0e01b86d0a219cd71d43c3cc074e323
# 3     3  100003  d94e31d899d51bc00512938fc190d4f6
# 4     4  100004  7710d81dc7ded13326530df02f8f8300

---

但是，如何利用我机器上所有可用的内核并行应用函数

foo

？

最简单的方法是使用

指定

chunksize=1_000

可以加快运行速度，因为每个进程一次将处理

1000

行（即每1000行只需支付一次初始化进程的开销）

---

请注意，这只适用于Python 3.2或更高版本。

最简单的方法是使用

指定

chunksize=1_000

可以加快运行速度，因为每个进程一次将处理

1000

行（即每1000行只需支付一次初始化进程的开销）

请注意，这只适用于Python3.2或更高版本

import concurrent.futures

with concurrent.futures.ProcessPoolExecutor(16) as pool:
    df['md5'] = list(pool.map(foo, df['col1'], df['col2'], chunksize=1_000))

df.head()
# Out[10]: 
#    col1    col2                               md5
# 0     0  100000  92e2a2c7a6b7e3ee70a1c5a5f2eafd13
# 1     1  100001  01d14f5020a8ba2715cbad51fd4c503d
# 2     2  100002  c0e01b86d0a219cd71d43c3cc074e323
# 3     3  100003  d94e31d899d51bc00512938fc190d4f6
# 4     4  100004  7710d81dc7ded13326530df02f8f8300