在 python 3.4.7 的 pool.map 函数中添加额外的随机参数作为参数

Question

我想在大型数据集上使用多重处理来查找两列的乘积，并使用参数中的给定参数过滤数据集。我构建了一个测试集，但我无法让多处理在这个集上工作。

首先，我试图在parallelize_dataframe 函数中划分数据集，然后在subset_col 函数中应用乘法函数和过滤函数。稍后我将完整的数据集附加回 parallelize_dataframe。

import numpy as np
import pandas as pd
from multiprocessing import Pool
from multiprocessing import Lock

df = pd.DataFrame({'col1': [1, 0, 1, 1, 1, 0, 0, 1, 0, 1],
                'col2': ['aa', 'aa', 'aa', 'bb', 'bb', 'bb', 'bb', 'cc', 'cc', 'cc'],
                'col3': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
                'col4': [21, 22, 23, 24, 25, 26, 27, 28, 29, 30]})



def subset_col(df, p):
    print("Working with number: " + str(p))
    df[col5] = df[col3]*df[col4]
    df= df[df['col1'] == p]


def parallelize_dataframe(df, p, func, n_cores=80):
    df_split = np.array_split(df, n_cores)
    pool = Pool(n_cores)
    df = pd.concat(pool.map(func, df_split, p))
    pool.close()
    pool.join()
    return df


df3 = parallelize_dataframe(df,1,subset_col)

结果应该是 col3 和 col4 的乘积，其中 col1 用一个值过滤。但我总是收到一条错误消息：

File "<stdin>", line 1, in <module>
File "<stdin>", line 4, in parallelize_dataframe
struct.error: 'i' format requires -2147483648 <= number <= 2147483647 

但是，如果我从所有功能中删除过滤器“p”，它就可以正常工作。有人可以帮我调试一下吗？

Answer 1

来自multiprocessing.Pool.map 的官方文档，它“支持只支持一个iterable 参数”。因此，您需要更改subset_col 的接口以采用单个参数。此外，您忘记创建列字符串，导致名称错误。为了减少计算量，您应该在乘法之前进行过滤。然后应该返回一个值，除非您的函数仅通过副作用操作（我假设您不希望这样做，因为您连接了池结果）。

def subset_col(pair):
    df, p = pair
    print("Working with number: " + str(p))
    df = df[df['col1'] == p].copy()
    df['col5'] = df['col3']
    return df

接下来，我们需要修正您调用pool.map 的方式，因为根据您的操作，它应该只需要两个参数（第三个，最后一个参数是块大小）。由于您希望每个进程使用相同的p，因此我们将dfs 压缩在一起，每个进程的重复值p。另外，考虑使用上下文管理器来处理关闭资源。

def parallelize_dataframe(df, p, func, n_cores=None):
    if n_cores is None:
        n_cores = os.cpu_count()

    dfs = np.array_split(df, n_cores)
    pairs = zip(dfs, itertools.repeat(p))
    with Pool(n_cores) as pool:
        result = pool.map(func, pairs)

    df = pd.concat(result)
    return df

这现在可以正确返回新的数据帧。但我绝对怀疑你有一台 80 核的机器。考虑实现n_cores=None 让Python dynamically figure out 使用os.cpu_count 让你的机器上有多少个内核

df3 = parallelize_dataframe(df, 1, subset_col)

根据您对Pool.starmap 变体的要求：

def subset_col(df, p):
    # remove unpacking line
    ...

def parallelize_dataframe(df, p, func, n_cores=None):
    ...
    # change `pool.map(...)` to `pool.starmap(...)`
    ...

但是您应该注意，Pool 不提供 imap 或 imap_unordered 替代 starmap，这两个都是惰性评估版本，不同的是是否保留顺序。