大型 Pandas Dataframe 并行处理

Posted 2023-02-16

【中文标题】大型 Pandas Dataframe 并行处理

【英文标题】：Large Pandas Dataframe parallel processing

【发布时间】：2016-02-10 07:46:16

【问题描述】：

我正在访问一个非常大的 Pandas 数据框作为全局变量。此变量通过joblib 并行访问。

例如。

df = db.query("select id, a_lot_of_data from table")

def process(id):
    temp_df = df.loc[id]
    temp_df.apply(another_function)

Parallel(n_jobs=8)(delayed(process)(id) for id in df['id'].to_list())

以这种方式访问​​原始 df 似乎会跨进程复制数据。这是出乎意料的，因为原始 df 在任何子进程中都没有改变？ （或者是吗？）

【参考方案1】：

对于joblib创建的每个进程，需要对整个DataFrame进行pickle和unpickled。在实践中，这非常慢，并且还需要每个内存的许多倍。

一种解决方案是使用表格格式将数据存储在 HDF (df.to_hdf) 中。然后，您可以使用select 选择数据子集以进行进一步处理。在实践中，这对于交互式使用来说太慢了。它也非常复杂，您的员工需要存储他们的工作，以便在最后一步合并。

另一种方法是使用target='parallel' 探索numba.vectorize。这将需要使用 NumPy 数组而不是 Pandas 对象，因此它也有一些复杂性成本。

从长远来看，dask 有望为 Pandas 带来并行执行，但这并不是指望很快。

【讨论】：

我从***.com/questions/10721915/… 假设除非原始对象被更改，否则子进程不会收到完整副本。 joblib 是否会破坏写时复制语义？

只有少数类型可以使用共享内存传递。 Pandas 对象不在此列表中。 joblib 在调用Parallel 时使用关键字参数max_nbytes 自动处理numpy 数组的内存共享，具体取决于数组的大小。见joblib's site。另见this answer。当然，您可以使用 NumPy 数组代替 Pandas，您可能会看到加速。

【参考方案2】：

如您所述，Python 多处理通常使用单独的进程完成，这意味着这些进程不共享内存。如果您可以使用 np.memmap 来解决问题，则有一个潜在的解决方法，正如在 joblib 文档后面提到的那样，尽管转储到磁盘显然会增加一些开销：https://pythonhosted.org/joblib/parallel.html#working-with-numerical-data-in-shared-memory-memmaping