Question

我构建了一个小函数，该函数将使用第三方API收集一些数据。调用if def MyFunc(Symbol, Field)将根据给定的符号返回一些信息。

想法是使用类似以下内容的返回值填充Pandas df：

df['MyNewField'] = df.apply(lamba x: MyFunc(x, 'FieldName'))

所有这些操作但是有效，每个查询大约需要 100ms 才能运行。这似乎很快，直到您意识到自己可能要做30,000或更多（3,000个带有10个字段的符号，对于初学者而言）。

我想知道是否有一种方法可以同时运行此请求，因为每个请求都是独立的？我不是在寻找多处理器等库，而是在同一时间对第三方进行多次查询的一种方式，以减少收集所有数据所需的时间。（此外，我想这将改变用于存储所有接收到的数据的初始结构-我不介意先不使用Apply和我的数据框，而是将接收到的数据保存为文本或库类型结构-）。

注意：虽然我希望我可以更改MyFunc一次请求多个符号/字段，但这不能在所有情况下都完成（这意味着某些字段不允许这样做，并且只有一个请求是唯一的方法）。这就是为什么我要查看并发执行而不是更改MyFunc的原因。

谢谢！

Answer 1

有很多库可以并行化pandas数据框。但是，我更喜欢本机多处理池来执行相同的操作。另外，我将tqdm与它一起使用以了解进度。

import numpy as np
from multiprocessing import cpu_count, Pool

cores = 4 #Number of CPU cores on your system
partitions = cores #Define as many partitions as you want

def partition(data, num_partitions):
    partition_len = int(len(data)/num_partitions)
    partitions = []

    num_rows = 0
    for i in range(num_partitions-1):
        partition = data.iloc[i*partition_len:i*partition_len+partition_len]
        num_rows = num_rows + partition_len
        partitions.append(partition)

    partitions.append(data.iloc[num_rows:len(data)])
    return partitions

def parallelize(data, func):
    data_split = partition(data, partitions)
    pool = Pool(cores)
    data = pd.concat(pool.map(func, data_split))
    pool.close()
    pool.join()
    return data

df['MyNewField'] = parallelize(df['FieldName'], MyFunc)

Python-并发运行函数（多个实例）

1 个答案: