python - 多处理写入 Pandas 数据框

Question

所以我想用下面的代码做的是读取列表的列表并将它们放入名为 checker 的函数中，然后让 log_result 处理结果函数 checker。我正在尝试使用多线程来执行此操作，因为变量名称 rows_to_parse 实际上有数百万行，因此使用多核应该可以大大加快此过程。

代码目前无法运行并导致 Python 崩溃。

我的顾虑和问题:

1. 想要保存在变量 df 中的现有 df 来维护 整个过程中的索引，否则 log_result 将得到 对哪一行需要更新感到困惑。
2. 我很确定 apply_async 不合适 multiprocessing 函数来执行这个任务，因为我相信 计算机读取和写入 df 的顺序可能会损坏它？？？
3. 我认为可能需要设置一个队列来写入和读取df 但我不确定我将如何去做。

感谢您的帮助。

import pandas as pd
import multiprocessing
from functools import partial

def checker(a,b,c,d,e):
    match = df[(df['a'] == a) & (df['b'] == b) & (df['c'] == c) & (df['d'] == d) & (df['e'] == e)]
    index_of_match = match.index.tolist()
    if len(index_of_match) == 1: #one match in df
        return index_of_match
    elif len(index_of_match) > 1: #not likely because duplicates will be removed prior to: if "__name__" == __main__:
        return [index_of_match[0]]
    else: #no match, returns a result which then gets processed by the else statement in log_result. this means that [a,b,c,d,e] get written to the df
        return [a,b,c,d,e]



def log_result(result, dataf):
    if len(result) == 1: #
        dataf.loc[result[0]]['e'] += 1 
    else: #append new row to exisiting df
        new_row = pd.DataFrame([result],columns=cols)
        dataf = dataf.append(new_row,ignore_index=True)


def apply_async_with_callback(parsing_material, dfr):
    pool = multiprocessing.Pool()
    for var_a, var_b, var_c, var_d, var_e in parsing_material:
        pool.apply_async(checker, args = (var_a, var_b, var_c, var_d, var_e), callback = partial(log_result,dataf=dfr))
    pool.close()
    pool.join()



if __name__ == '__main__':
    #setting up main dataframe
    cols = ['a','b','c','d','e']
    existing_data = [["YES","A","16052011","13031999",3],
                    ["NO","Q","11022003","15081999",3],
                    ["YES","A","22082010","03012001",9]]

    #main dataframe
    df = pd.DataFrame(existing_data,columns=cols)

    #new data
    rows_to_parse = [['NO', 'A', '09061997', '06122003', 5],
                    ['YES', 'W', '17061992', '26032012', 6],
                    ['YES', 'G', '01122006', '07082014', 2],
                    ['YES', 'N', '06081992', '21052008', 9],
                    ['YES', 'Y', '18051995', '24011996', 6],
                    ['NO', 'Q', '11022003', '15081999', 3],
                    ['NO', 'O', '20112004', '28062008', 0],
                    ['YES', 'R', '10071994', '03091996', 8],
                    ['NO', 'C', '09091998', '22051992', 1],
                    ['YES', 'Q', '01051995', '02012000', 3],
                    ['YES', 'Q', '26022015', '26092007', 5],
                    ['NO', 'F', '15072002', '17062001', 8],
                    ['YES', 'I', '24092006', '03112003', 2],
                    ['YES', 'A', '22082010', '03012001', 9],
                    ['YES', 'I', '15072016', '30092005', 7],
                    ['YES', 'Y', '08111999', '02022006', 3],
                    ['NO', 'V', '04012016', '10061996', 1],
                    ['NO', 'I', '21012003', '11022001', 6],
                    ['NO', 'P', '06041992', '30111993', 6],
                    ['NO', 'W', '30081992', '02012016', 6]]


    apply_async_with_callback(rows_to_parse, df)

Answer 1

在 MultiProcessing 中像这样更新 DataFrame 是行不通的:

dataf = dataf.append(new_row,ignore_index=True)

一方面，这是非常低效的(每次追加的时间复杂度为 O(n)，因此总共为 O(n^2)。首选方法是在一次传递中将一些对象连接在一起。

另一方面，更重要的是，dataf 不会为每次更新锁定，因此无法保证两个操作不会发生冲突(我猜这会导致 python 崩溃)。

最后，append 没有执行到位，所以变量 dataf 在回调完成后被丢弃!!并且没有对父 dataf 进行任何更改。

---

我们可以使用 MultiProcessing list或 dict .如果您不关心顺序，请列出；如果您关心(例如枚举)，请列出，因为您必须注意，从异步返回的值不是按照明确定义的顺序返回的。
(或者我们可以自己创建一个实现 Lock 的对象，参见 Eli Bendersky 。)
所以做了如下修改:

df = pd.DataFrame(existing_data,columns=cols)
# becomes
df = pd.DataFrame(existing_data,columns=cols)
d = MultiProcessing.list([df])

dataf = dataf.append(new_row,ignore_index=True)
# becomes
d.append(new_row)

现在，一旦异步完成，您就有了一个 MultiProcessing.list 数据帧。您可以连接这些(和 ignore_index)以获得所需的结果:

pd.concat(d, ignore_index=True)

应该可以解决问题。

---

注意:在每个阶段创建新行 DataFrame 的效率也低于让 pandas 一次性将列表列表直接解析为 DataFrame 的效率。希望这是一个玩具示例，真的，您希望您的 block 非常大，以便通过 MultiProcessing 获得胜利(我听说 50kb 作为经验法则......)，一次一行永远不会成为一个在这里获胜。

---

旁白:你应该避免在你的代码中使用全局变量(比如 df)，在你的函数中传递它们(在这种情况下，作为检查器的参数)会更干净。