Python 访问多处理映射中的共享数据帧
我正在尝试加速Python3中的一些多处理代码。我有一个大的只读Python 访问多处理映射中的共享数据帧,python,pandas,multiprocessing,dataframe,Python,Pandas,Multiprocessing,Dataframe,我正在尝试加速Python3中的一些多处理代码。我有一个大的只读DataFrame,还有一个基于读取值进行计算的函数 我试图解决在同一个文件中编写函数的问题,并共享大的DataFrame,如您所见。这种方法不允许将进程函数移动到另一个文件/模块,访问函数范围之外的变量有点奇怪 import pandas as pd import multiprocessing def process(user): # Locate all the user sessions in the *glob
DataFrame
,还有一个基于读取值进行计算的函数
我试图解决在同一个文件中编写函数的问题,并共享大的DataFrame
,如您所见。这种方法不允许将进程函数移动到另一个文件/模块,访问函数范围之外的变量有点奇怪
import pandas as pd
import multiprocessing
def process(user):
# Locate all the user sessions in the *global* sessions dataframe
user_session = sessions.loc[sessions['user_id'] == user]
user_session_data = pd.Series()
# Make calculations and append to user_session_data
return user_session_data
# The DataFrame users contains ID, and other info for each user
users = pd.read_csv('users.csv')
# Each row is the details of one user action.
# There is several rows with the same user ID
sessions = pd.read_csv('sessions.csv')
p = multiprocessing.Pool(4)
sessions_id = sessions['user_id'].unique()
# I'm passing an integer ID argument to process() function so
# there is no copy of the big sessions DataFrame
result = p.map(process, sessions_id)
我尝试过的事情:
- 传递数据帧而不是整数ID参数,以避免出现
代码行。这种方法大大降低了脚本的速度sessions.loc…
另外,我已经看过了,但没有找到更好的方法。您可以尝试将流程定义为:
def process(sessions, user):
...
把它放在你喜欢的地方
然后,当调用p.map
时,可以使用函数,该函数允许增量指定参数:
from functools import partial
...
p.map(partial(process, sessions), sessions_id)
这不应使处理速度过慢,并解决您的问题
请注意,您也可以在不使用partial
的情况下执行相同的操作,方法是:
p.map(lambda id: process(sessions,id)), sessions_id)
它在不太减慢处理速度的情况下工作。像
func(big_df,id)
这样带有签名的函数很常见吗?我看不出有任何问题。如果你真的不喜欢它,你可以考虑在构造函数中使用一个对象来获取df,并使用一个只获取id的过程方法,然后在p.map
中调用该方法。我会称之为工程,但如果你的实际情况更复杂,它可能是有意义的。(如果你认为答案值得,请接受)