在花了很多时间试图绕过多处理后,我想出了这个代码,这是一个基准测试:
示例1:
from multiprocessing import Process
class Alter(Process):
def __init__(self, word):
Process.__init__(self)
self.word = word
self.word2 = ''
def run(self):
# Alter string + test processing speed
for i in range(80000):
self.word2 = self.word2 + self.word
if __name__=='__main__':
# Send a string to be altered
thread1 = Alter('foo')
thread2 = Alter('bar')
thread1.start()
thread2.start()
# wait for both to finish
thread1.join()
thread2.join()
print(thread1.word2)
print(thread2.word2)
这在2秒内完成(多线程的一半时间)。出于好奇,我决定接下来运行:
示例2:
word2 = 'foo'
word3 = 'bar'
word = 'foo'
for i in range(80000):
word2 = word2 + word
word = 'bar'
for i in range(80000):
word3 = word3 + word
print(word2)
print(word3)
令我恐惧的是,这不到半秒钟!
这里发生了什么?我希望多处理能够更快地运行 - 不应该完成一半示例2的时间给出示例1是示例2分为两个进程吗?
在考虑了Chris的反馈之后,我已经包含了消耗最多处理时间的“实际”代码,并引导我考虑多处理:
self.ListVar = [[13379+ strings],[13379+ strings],
[13379+ strings],[13379+ strings]]
for b in range(len(self.ListVar)):
self.list1 = []
self.temp = []
for n in range(len(self.ListVar[b])):
if not self.ListVar[b][n] in self.temp:
self.list1.insert(n, self.ListVar[b][n] + '(' +
str(self.ListVar[b].count(self.ListVar[b][n])) +
')')
self.temp.insert(0, self.ListVar[b][n])
self.ListVar[b] = list(self.list1)
答案 0 :(得分:11)
此示例太小,无法从多处理中受益。
启动新流程时会产生大量开销。如果涉及繁重的处理,那将是可以忽略的。但是你的例子并不是那么密集,所以你必须注意到开销。
你可能会注意到与真实线程有更大的区别,太糟糕的python(好吧,CPython)存在CPU绑定线程的问题。
答案 1 :(得分:11)
ETA:现在您已经发布了代码,我可以告诉您,有一种简单的方法可以更快地完成您的工作(> 100倍)。
我看到你正在做的是在括号中为字符串列表中的每个项添加一个频率。而不是每次都计算所有元素(正如你可以使用cProfile确认的那样,是目前代码中最大的瓶颈),你可以创建一个dictionary,从每个元素映射到它的频率。这样,您只需要通过列表两次 - 一次创建频率字典,一次使用它来添加频率。
在这里,我将展示我的新方法,计算时间,并使用生成的测试用例将其与旧方法进行比较。测试用例甚至显示新结果与完全相同。 注意:以下所有您需要注意的是new_method。
import random
import time
import collections
import cProfile
LIST_LEN = 14000
def timefunc(f):
t = time.time()
f()
return time.time() - t
def random_string(length=3):
"""Return a random string of given length"""
return "".join([chr(random.randint(65, 90)) for i in range(length)])
class Profiler:
def __init__(self):
self.original = [[random_string() for i in range(LIST_LEN)]
for j in range(4)]
def old_method(self):
self.ListVar = self.original[:]
for b in range(len(self.ListVar)):
self.list1 = []
self.temp = []
for n in range(len(self.ListVar[b])):
if not self.ListVar[b][n] in self.temp:
self.list1.insert(n, self.ListVar[b][n] + '(' + str(self.ListVar[b].count(self.ListVar[b][n])) + ')')
self.temp.insert(0, self.ListVar[b][n])
self.ListVar[b] = list(self.list1)
return self.ListVar
def new_method(self):
self.ListVar = self.original[:]
for i, inner_lst in enumerate(self.ListVar):
freq_dict = collections.defaultdict(int)
# create frequency dictionary
for e in inner_lst:
freq_dict[e] += 1
temp = set()
ret = []
for e in inner_lst:
if e not in temp:
ret.append(e + '(' + str(freq_dict[e]) + ')')
temp.add(e)
self.ListVar[i] = ret
return self.ListVar
def time_and_confirm(self):
"""
Time the old and new methods, and confirm they return the same value
"""
time_a = time.time()
l1 = self.old_method()
time_b = time.time()
l2 = self.new_method()
time_c = time.time()
# confirm that the two are the same
assert l1 == l2, "The old and new methods don't return the same value"
return time_b - time_a, time_c - time_b
p = Profiler()
print p.time_and_confirm()
当我运行它时,它获得的时间为(15.963812112808228,0.05961179733276367),这意味着它的速度提高了约250倍,但这种优势取决于列表的长度和每个列表中的频率分布。我相信你会同意这种速度优势,你可能不需要使用多处理:)
(我的原始答案留在下面为子孙后代)
ETA:顺便说一下,值得注意的是,这个算法在列表长度上大致是线性的,而你使用的代码是二次的。这意味着元素数量越多,它就越有利。例如,如果将每个列表的长度增加到1000000,则只需5秒即可运行。根据推断,旧代码将花费一天时间:)
这取决于您正在执行的操作。例如:
import time
NUM_RANGE = 100000000
from multiprocessing import Process
def timefunc(f):
t = time.time()
f()
return time.time() - t
def multi():
class MultiProcess(Process):
def __init__(self):
Process.__init__(self)
def run(self):
# Alter string + test processing speed
for i in xrange(NUM_RANGE):
a = 20 * 20
thread1 = MultiProcess()
thread2 = MultiProcess()
thread1.start()
thread2.start()
thread1.join()
thread2.join()
def single():
for i in xrange(NUM_RANGE):
a = 20 * 20
for i in xrange(NUM_RANGE):
a = 20 * 20
print timefunc(multi) / timefunc(single)
在我的机器上,多处理操作仅占单线程操作时间的约60%。
答案 2 :(得分:10)
多处理可能对您正在做的事情很有用,但不会影响您正在考虑使用它的方式。由于您基本上对列表的每个成员进行了一些计算,您可以使用multiprocessing.Pool.map
方法对列表成员进行并行计算。
以下是使用单个流程并使用multiprocessing.Pool.map
显示代码性能的示例:
from multiprocessing import Pool
from random import choice
from string import printable
from time import time
def build_test_list():
# Builds a test list consisting of 5 sublists of 10000 strings each.
# each string is 20 characters long
testlist = [[], [], [], [], []]
for sublist in testlist:
for _ in xrange(10000):
sublist.append(''.join(choice(printable) for _ in xrange(20)))
return testlist
def process_list(l):
# the time-consuming code
result = []
tmp = []
for n in range(len(l)):
if l[n] not in tmp:
result.insert(n, l[n]+' ('+str(l.count(l[n]))+')')
tmp.insert(0, l[n])
return result
def single(l):
# process the test list elements using a single process
results = []
for sublist in l:
results.append(process_list(sublist))
return results
def multi(l):
# process the test list elements in parallel
pool = Pool()
results = pool.map(process_list, l)
return results
print "Building the test list..."
testlist = build_test_list()
print "Processing the test list using a single process..."
starttime = time()
singleresults = single(testlist)
singletime = time() - starttime
print "Processing the test list using multiple processes..."
starttime = time()
multiresults = multi(testlist)
multitime = time() - starttime
# make sure they both return the same thing
assert singleresults == multiresults
print "Single process: {0:.2f}sec".format(singletime)
print "Multiple processes: {0:.2f}sec".format(multitime)
<强>输出:强>
Building the test list...
Processing the test list using a single process...
Processing the test list using multiple processes...
Single process: 34.73sec
Multiple processes: 24.97sec
答案 3 :(得分:0)
这个帖子非常有用!
快速观察上面 David Robinson 提供的第二代码(12月8日在5:34回答),这是更适合的代码我目前的需求。
在我的情况下,我之前没有多处理的记录了目标函数的运行时间。当使用他的代码实现一个多处理函数时,他的timefunc(multi)并没有反映multi的实际时间,而是反映了父进程所花费的时间。
我所做的是将计时功能和我看起来更像预期的时间外化:
start = timefunc()
multi()/single()
elapsed = (timefunc()-start)/(--number of workers--)
print(elapsed)
在我使用双核的情况下,'x'工作人员使用目标函数执行的总时间比使用'x'迭代在目标函数上运行简单的for循环快两倍。
我是多处理的新手,所以请注意这个观察结果。