De los comentarios anteriores, parece que esto está planeado para pandas
en algún momento (también hay un interesante rosetta
project que acabo de notar).
Sin embargo, hasta que cada funcionalidad paralelo se incorpora en pandas
, me di cuenta de que es muy fácil de escribir eficiente & sin memoria de copia de aumentos paralelos a pandas
directamente utilizando cython
+ OpenMP y C++.
Aquí está un ejemplo corto de escribir un GroupBy de suma paralelo, cuyo uso es algo como esto:
import pandas as pd
import para_group_demo
df = pd.DataFrame({'a': [1, 2, 1, 2, 1, 1, 0], 'b': range(7)})
print para_group_demo.sum(df.a, df.b)
y la salida es:
sum
key
0 6
1 11
2 4
Nota Sin duda, este la funcionalidad del ejemplo simple eventualmente formará parte de pandas
. Algunas cosas, sin embargo, serán más naturales para paralelizar en C++ durante algún tiempo, y es importante tener en cuenta lo fácil que es combinar esto en pandas
.
Para hacer esto, escribí una simple extensión de archivo de fuente única cuyo código sigue.
Se inicia con algunas importaciones y definiciones de tipo
from libc.stdint cimport int64_t, uint64_t
from libcpp.vector cimport vector
from libcpp.unordered_map cimport unordered_map
cimport cython
from cython.operator cimport dereference as deref, preincrement as inc
from cython.parallel import prange
import pandas as pd
ctypedef unordered_map[int64_t, uint64_t] counts_t
ctypedef unordered_map[int64_t, uint64_t].iterator counts_it_t
ctypedef vector[counts_t] counts_vec_t
El tipo C++ unordered_map
es para sumar por un solo hilo, y la vector
es para sumar por todos los hilos.
Ahora a la función sum
.Comienza con typed memory views para un acceso rápido:
def sum(crit, vals):
cdef int64_t[:] crit_view = crit.values
cdef int64_t[:] vals_view = vals.values
La función continúa dividiendo el semi-igualmente a las roscas (aquí Hardcoded a 4), y teniendo cada suma hilo las entradas en su gama:
cdef uint64_t num_threads = 4
cdef uint64_t l = len(crit)
cdef uint64_t s = l/num_threads + 1
cdef uint64_t i, j, e
cdef counts_vec_t counts
counts = counts_vec_t(num_threads)
counts.resize(num_threads)
with cython.boundscheck(False):
for i in prange(num_threads, nogil=True):
j = i * s
e = j + s
if e > l:
e = l
while j < e:
counts[i][crit_view[j]] += vals_view[j]
inc(j)
Cuando los hilos han completado, la función combina todos los resultados (de las diferentes rangos) en un solo unordered_map
:
cdef counts_t total
cdef counts_it_t it, e_it
for i in range(num_threads):
it = counts[i].begin()
e_it = counts[i].end()
while it != e_it:
total[deref(it).first] += deref(it).second
inc(it)
todos th izquierda de a es crear un DataFrame
y devolver los resultados:
key, sum_ = [], []
it = total.begin()
e_it = total.end()
while it != e_it:
key.append(deref(it).first)
sum_.append(deref(it).second)
inc(it)
df = pd.DataFrame({'key': key, 'sum': sum_})
df.set_index('key', inplace=True)
return df
Por lo que yo sé, no hay manera de compartir objetos arbitrarios. Me pregunto si el decapado lleva mucho más tiempo que la ganancia a través del multiprocesamiento. Tal vez deberías buscar la posibilidad de crear paquetes de trabajo más grandes para cada proceso para reducir el tiempo de decapado relativo. Otra posibilidad sería usar multiprocesamiento cuando crea los grupos. –
Hago algo así pero usando UWSGI, Flask y preforking: cargo el marco de datos de pandas en un proceso, lo doblo x veces (convirtiéndolo en un objeto de memoria compartido) y luego llamo a esos procesos desde otro proceso de python donde concaturo los resultados. atm. Utilizo JSON como un proceso de comunicación, pero esto está por venir (aunque aún es muy experimental): http://pandas.pydata.org/pandas-docs/dev/io.html#msgpack-experimental – Carst
Por cierto, ¿lo hizo? ¿Alguna vez has mirado HDF5 con fragmentación? (HDF5 no se guarda para la escritura simultánea, pero también puede guardar en archivos separados y, al final, concatenar cosas) – Carst