python - 访问多处理映射中的共享数据帧

Question

我正在尝试加速 Python 3 中的一些多处理代码。我有一个大的只读 DataFrame 和一个根据读取值进行一些计算的函数。

我尝试解决在同一文件中编写函数并共享大 DataFrame 的问题，如您在此处看到的。这种方法不允许将进程函数移动到另一个文件/模块，并且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。这种方法会大大减慢脚本的速度。

此外，我还查看了 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):
   ...

并将其放在您喜欢的任何地方。

然后当您调用p.map时，您可以使用functools.partial函数，允许增量指定参数:

 from functools import partial
 ...

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

这不会使处理速度减慢太多并能解决您的问题。

请注意，您也可以在没有 partial 的情况下执行相同的操作，使用:

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