Python 并行化Dask聚合

在的基础上，我实现了自定义模式公式，但发现该函数的性能存在问题。本质上，当我进入这个聚合时，我的集群只使用我的一个线程，这对性能不是很好。我正在对16k行中的150多个属性（主要是分类数据）进行计算，我认为我可以将这些属性分解为单独的线程/进程，稍后再重新组合到单个数据帧中。请注意，此聚合必须位于两列上，因此由于无法使用单个列作为索引，我的性能可能会变得更差

是否有办法将dask期货或并行处理合并到聚合计算中

import dask.dataframe as dd
from dask.distributed import Client
from pandas import DataFrame

def chunk(s):
    return s.value_counts()

def agg(s):
    s = s._selected_obj
    return s.groupby(level=list(range(s.index.nlevels))).sum()

def finalize(s):
    # s is a multi-index series of the form (group, value): count. First
    # manually group on the group part of the index. The lambda will receive a
    # sub-series with multi index. Next, drop the group part from the index.
    # Finally, determine the index with the maximum value, i.e., the mode.
    level = list(range(s.index.nlevels - 1))
    return (
        s.groupby(level=level)
        .apply(lambda s: s.reset_index(level=level, drop=True).argmax())
    )

def main() -> DataFrame:
    client = Client('scheduler:8786')

    ddf = dd.read_csv('/sample/data.csv')
    custom_mode = dd.Aggregation('custom mode', chunk, agg, finalize)
    result = ddf.groupby(['a','b']).agg(custom_mode).compute()
    return result

---

附带说明，我正在使用Docker来使用daskdev/dask（2.18.1）Docker映像启动我的调度程序和工作人员

最后，我使用futures基本上并行化了每个列的聚合。因为我有很多列，所以将每个聚合传递给它自己的工作线程可以节省我很多时间。感谢David的评论和支持

---

本文第2节：

在循环中使用dask'delayed'是否有帮助？：。是的，谢谢David。我将聚合拆分为循环遍历数据帧中的列，然后使用延迟功能将其并行化。谢谢@BrendonGallagher，您能用更新的代码回答您自己的问题吗？我将来可能会做类似的事情，这将是一个很好的参考点。
from dask.distributed import Client
from pandas import DataFrame

def chunk(s):
    return s.value_counts()

def agg(s):
    s = s._selected_obj
    return s.groupby(level=list(range(s.index.nlevels))).sum()

def finalize(s):
    level = list(range(s.index.nlevels - 1))
    return (
        s.groupby(level=level)
        .apply(lambda s: s.reset_index(level=level, drop=True).idxmax())
    )

def delayed_mode(ddf, groupby, col, custom_agg):
    return ddf.groupby(groupby).agg({col: custom_agg}).compute()

def main() -> DataFrame:
    client = Client('scheduler:8786')

    ddf = dd.read_csv('/sample/data.csv')
    custom_mode = dd.Aggregation('custom mode', chunk, agg, finalize)

    futures = []

    for col in multiple_trimmed.columns:
        future = client.submit(delayed_mode, ddf, ["a", "b"], col, custom_mode_dask)
        futures.append(future)

    ddfs = client.gather(futures)
    result = pd.concat(ddfs, axis=1)
    return result