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:Python 如何将函数并行应用于数据帧的多个列,python,pandas,concurrent.futures,Python,Pandas,Concurrent.futures,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 fun
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