Question

我正在尝试加速Python 3中的一些多处理代码。我有一个很大的只读DataFrame和一个基于读取值进行一些计算的函数。

我尝试解决在同一个文件中编写函数的问题并分享大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DataFrame而不是整数ID参数，以避免sessions.loc...代码行。这种方法使脚本变慢了很多。

另外，我看过How to share pandas DataFrame object between processes?，但没有找到更好的方法。

Answer 1

您可以尝试将流程定义为：

def process(sessions, user):
   ...

把它放在你喜欢的任何地方。

然后当你调用p.map时，可以使用functools.partial函数，允许逐步指定参数：

 from functools import partial
 ...

 p.map(partial(process, sessions), sessions_id)

这不应该减慢处理速度并解决您的问题。

请注意，您也可以在不使用partial的情况下执行相同操作，使用：

 p.map(lambda id: process(sessions,id)), sessions_id)

在多处理映射中访问共享数据框架

1 个答案: