熊猫：优化我的代码 (groupby() / apply())

Question

我有一个形状 (RxC) 1.5M x 128 的数据框。我执行以下操作：

1. 我根据 6 列执行 groupby()。这将创建约 8700 个子组，每个子组的形状为 538 x 122。
2. 在每个子组上，我运行 apply()。此函数计算子组中每个分类值 PER 列（即 122）的频率百分比。

所以我的（伪）代码：

<df = Read dataframe from file> g = df.groupby(grp_cols) g[nongrp_cols].apply(lambda d: d.apply(lambda s: s.value_counts()) / len(d.index))

代码对我来说工作正常，所以现在我正在对其进行分析以提高性能。 apply() 函数运行大约需要 20-25 分钟。我相信问题在于它在每一列（122 次）上迭代 8700 次（每个子组），这可能不是最好的方法（考虑到我的编码方式）。

谁能推荐我可以尝试加快速度的方法？

我尝试使用 python 多处理池（8 个进程）将子组分成相等的集合进行处理，但最终得到了一些酸洗错误...

谢谢。

Answer 1

pd.DataFrame.groupby.apply 确实为我们提供了很大的灵活性（与 agg/filter/transform 不同，它允许您将每个子组重塑为任何形状，在您的情况下，从 538 x 122 到 N_categories x 122）。但这确实是有代价的：一个一个地应用你的灵活函数并且缺乏矢量化。

我仍然认为解决它的方法是使用多处理。您遇到的泡菜错误很可能是因为您在 multi_processing_function 中定义了一些函数。规则是您必须将所有函数移到顶层。请参阅下面的代码。

import pandas as pd
import numpy as np

# simulate your data with int 0 - 9 for categorical values
df = pd.DataFrame(np.random.choice(np.arange(10), size=(538, 122)))
# simulate your groupby operations, not so cracy with 8700 sub-groups, just try 800 groups for illustration
sim_keys = ['ROW' + str(x) for x in np.arange(800)]
big_data = pd.concat([df] * 800, axis=0, keys=sim_keys)
big_data.shape

big_data.shape
Out[337]: (430400, 122)

# Without multiprocessing
# ===================================================
by_keys = big_data.groupby(level=0)

sample_group = list(by_keys)[0][1]
sample_group.shape

def your_func(g):
    return g.apply(lambda s: s.value_counts()) / len(g.index)

def test_no_multiprocessing(gb, apply_func):
    return gb.apply(apply_func)

%time result_no_multiprocessing = test_no_multiprocessing(by_keys, your_func)

CPU times: user 1min 26s, sys: 4.03 s, total: 1min 30s
Wall time: 1min 27

这里很慢。让我们使用多处理模块：

# multiprocessing for pandas dataframe apply
# ===================================================
# to void pickle error, must define functions at TOP level, if we move this function 'process' into 'test_with_multiprocessing', it raises a pickle error
def process(df):
    return df.groupby(level=0).apply(your_func)

def test_with_multiprocessing(big_data, apply_func):

    import multiprocessing as mp

    p = mp.Pool(processes=8)
    # split it into 8 chunks
    split_dfs = np.array_split(big_data, 8, axis=0)
    # define the mapping function, wrapping it to take just df as input
    # apply to each chunk
    df_pool_results = p.map(process, split_dfs)

    p.close()

    # combine together
    result = pd.concat(df_pool_results, axis=0)

    return result


%time result_with_multiprocessing = test_with_multiprocessing(big_data, your_func)

CPU times: user 984 ms, sys: 3.46 s, total: 4.44 s
Wall time: 22.3 s

现在，它的速度要快得多，尤其是在 CPU 时间方面。虽然我们在拆分和重组结果时会有一些开销，但在使用 8 核处理器时，它预计比非多处理情况快 4 到 6 倍。

最后，检查两个结果是否相同。

import pandas.util.testing as pdt

pdt.assert_frame_equal(result_no_multiprocessing, result_with_multiprocessing)

漂亮地通过测试。