Как сократить время многопроцессорной обработки в python

Question

Я пытаюсь построить многопроцессорную работу в python, чтобы уменьшить скорость вычислений, но, похоже, после многопроцессорной обработки общая скорость вычислений значительно снизилась. Я создал 4 разных процесса и разделил dataFrame на 4 разных dataframe, которые будут входом для каждого процесса. После определения сроков каждого процесса кажется, что накладные расходы значительны, и мне было интересно, есть ли способ уменьшить эти накладные расходы.

Я использую windows7, python 3.5 и моя машина имеет 8 ядер.

def doSomething(args, dataPassed,):

    processing data, and calculating outputs

def parallelize_dataframe(df, nestedApply):
    df_split = np.array_split(df, 4)
    pool = multiprocessing.Pool(4)
    df = pool.map(nestedApply, df_split)
    print ('finished with Simulation')
    time = float((dt.datetime.now() - startTime).total_seconds())

    pool.close()
    pool.join()

def nestedApply(df):

    func2 = partial(doSomething, args=())
    res = df.apply(func2, axis=1)
    res =  [output Tables]
    return res

if __name__ == '__main__':

data = pd.read_sql_query(query, conn)

parallelize_dataframe(data, nestedApply)

Answer 1

Я бы предложил использовать очереди вместо предоставления вашего DataFrame в виде кусков. Вам нужно много ресурсов для копирования каждого чанка, и на это уходит довольно много времени. Вам может не хватить памяти, если ваш DataFrame действительно большой. Используя очереди, вы можете выиграть от быстрых итераторов в пандах. Вот мой подход. Накладные расходы уменьшаются со сложностью ваших работников. К сожалению, мои работники далеко не просты, чтобы действительно показать это, но sleep немного имитирует сложность.

import pandas as pd
import multiprocessing as mp
import numpy as np
import time


def worker(in_queue, out_queue):
    for row in iter(in_queue.get, 'STOP'):
        value = (row[1] * row[2] / row[3]) + row[4]
        time.sleep(0.1)
        out_queue.put((row[0], value))

if __name__ == "__main__":
    # fill a DataFrame
    df = pd.DataFrame(np.random.randn(1e5, 4), columns=list('ABCD'))

    in_queue = mp.Queue()
    out_queue = mp.Queue()

    # setup workers
    numProc = 2
    process = [mp.Process(target=worker,
                          args=(in_queue, out_queue)) for x in range(numProc)]

    # run processes
    for p in process:
        p.start()

    # iterator over rows
    it = df.itertuples()

    # fill queue and get data
    # code fills the queue until a new element is available in the output
    # fill blocks if no slot is available in the in_queue
    for i in range(len(df)):
        while out_queue.empty():
            # fill the queue
            try:
                row = next(it)
                in_queue.put((row[0], row[1], row[2], row[3], row[4]), block=True)  # row = (index, A, B, C, D) tuple
            except StopIteration:
                break
        row_data = out_queue.get()
        df.loc[row_data[0], "Result"] = row_data[1]

    # signals for processes stop
    for p in process:
        in_queue.put('STOP')

    # wait for processes to finish
    for p in process:
        p.join()

С помощью numProc = 2 это занимает 50 секунд за цикл, с numProc = 4 это в два раза быстрее.