如果不进行并行编程,我可以使用下面的代码合并key
列上的左右数据帧,但由于两者都非常大,因此速度太慢。我有什么方法可以有效地并行化吗?
我有64个核心,所以实际上我可以使用其中的63个来合并这两个数据帧。
left = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']})
right = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']})
result = pd.merge(left, right, on='key')
输出将是:
left:
A B key
0 A0 B0 K0
1 A1 B1 K1
2 A2 B2 K2
3 A3 B3 K3
right:
C D key
0 C0 D0 K0
1 C1 D1 K1
2 C2 D2 K2
3 C3 D3 K3
result:
A B key C D
0 A0 B0 K0 C0 D0
1 A1 B1 K1 C1 D1
2 A2 B2 K2 C2 D2
3 A3 B3 K3 C3 D3
我想要并行执行此操作,以便我能够快速完成。
答案 0 :(得分:6)
Docs说:
什么绝对有用?
巧妙的可并行化操作(也很快):
加入索引: dd.merge(df1,df2,left_index = True,right_index = True)
或者:
需要随机播放的操作(慢速,除非是索引)
设置索引: df.set_index(df.x)
不加入指数: pd.merge(df1,df2,on ='name')
您还可以查看Create Dask DataFrames的方式。
示例强>
import pandas as pd
left = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']})
right = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']})
result = pd.merge(left, right, on='key')
print result
A B key C D
0 A0 B0 K0 C0 D0
1 A1 B1 K1 C1 D1
2 A2 B2 K2 C2 D2
3 A3 B3 K3 C3 D3
import dask.dataframe as dd
#Construct a dask objects from a pandas objects
left1 = dd.from_pandas(left, npartitions=3)
right1 = dd.from_pandas(right, npartitions=3)
#merge on key
print dd.merge(left1, right1, on='key').compute()
A B key C D
0 A3 B3 K3 C3 D3
1 A1 B1 K1 C1 D1
0 A2 B2 K2 C2 D2
1 A0 B0 K0 C0 D0
#first set indexes and then merge by them
print dd.merge(left1.set_index('key').compute(),
right1.set_index('key').compute(),
left_index=True,
right_index=True)
A B C D
key
K0 A0 B0 C0 D0
K1 A1 B1 C1 D1
K2 A2 B2 C2 D2
K3 A3 B3 C3 D3
答案 1 :(得分:4)
您可以通过将key
列设置为数据框的索引并使用join
来提高合并的速度(在给定示例中约为3倍)。
left2 = left.set_index('key')
right2 = right.set_index('key')
In [46]: %timeit result2 = left2.join(right2)
1000 loops, best of 3: 361 µs per loop
In [47]: %timeit result = pd.merge(left, right, on='key')
1000 loops, best of 3: 1.01 ms per loop