Fazer Pandas DataFrame apply () usar todos os núcleos?

Em agosto de 2017, o Pandas DataFame.apply () infelizmente ainda está limitado a trabalhar com um único núcleo, o que significa que uma máquina com vários núcleos vai desperdiçar a maior parte do seu tempo de computação quando você executa df.apply(myfunc, axis=1).

Como você pode usar todos os seus núcleos para executar aplicativos em um dataframe em paralelo?

Você pode usar o swifterpacote:

pip install swifter

Ele funciona como um plugin para o pandas, permitindo que você reutilize a applyfunção:

import swifter

def some_function(data):
    return data * 10

data['out'] = data['in'].swifter.apply(some_function)

Ele descobrirá automaticamente a maneira mais eficiente de paralelizar a função, não importa se ela é vetorizada (como no exemplo acima) ou não.

Mais exemplos e uma comparação de desempenho estão disponíveis no GitHub. Observe que o pacote está em desenvolvimento ativo, então a API pode mudar.

Observe também que isso não funcionará automaticamente para colunas de string. Ao usar cordas, Swifter voltará a ser um Pandas “simples” apply, que não será paralelo. Nesse caso, mesmo forçá-lo a usar dasknão criará melhorias de desempenho, e seria melhor apenas dividir o conjunto de dados manualmente e paralelizar usandomultiprocessing .

A maneira mais simples é usar map_partitions do Dask . Você precisa dessas importações (você precisará pip install dask):

import pandas as pd
import dask.dataframe as dd
from dask.multiprocessing import get

e a sintaxe é

data = <your_pandas_dataframe>
ddata = dd.from_pandas(data, npartitions=30)

def myfunc(x,y,z, ...): return <whatever>

res = ddata.map_partitions(lambda df: df.apply((lambda row: myfunc(*row)), axis=1)).compute(get=get)  

(Eu acredito que 30 é um número adequado de partições se você tiver 16 núcleos). Apenas para completar, eu cronometrei a diferença na minha máquina (16 núcleos):

data = pd.DataFrame()
data['col1'] = np.random.normal(size = 1500000)
data['col2'] = np.random.normal(size = 1500000)

ddata = dd.from_pandas(data, npartitions=30)
def myfunc(x,y): return y*(x**2+1)
def apply_myfunc_to_DF(df): return df.apply((lambda row: myfunc(*row)), axis=1)
def pandas_apply(): return apply_myfunc_to_DF(data)
def dask_apply(): return ddata.map_partitions(apply_myfunc_to_DF).compute(get=get)  
def vectorized(): return myfunc(data['col1'], data['col2']  )

t_pds = timeit.Timer(lambda: pandas_apply())
print(t_pds.timeit(number=1))

28.16970546543598

t_dsk = timeit.Timer(lambda: dask_apply())
print(t_dsk.timeit(number=1))

2.708152851089835

t_vec = timeit.Timer(lambda: vectorized())
print(t_vec.timeit(number=1))

0,010668013244867325

Dando um fator de 10 speedup indo de pandas aplicar para dask aplicar em partições. Claro, se você tem uma função que pode vetorizar, você deve - neste caso, a função ( y*(x**2+1)) é trivialmente vetorizada, mas há muitas coisas que são impossíveis de vetorizar.

você pode tentar em pandarallelvez disso: Uma ferramenta simples e eficiente para paralelizar suas operações do pandas em todas as suas CPUs (no Linux e macOS)

• A paralelização tem um custo (instanciar novos processos, enviar dados via memória compartilhada, etc ...), então a paralelização é eficiente apenas se a quantidade de cálculo para paralelizar for alta o suficiente. Por muito pouca quantidade de dados, usar paralelização nem sempre vale a pena.
• As funções aplicadas NÃO devem ser funções lambda.

from pandarallel import pandarallel
from math import sin

pandarallel.initialize()

# FORBIDDEN
df.parallel_apply(lambda x: sin(x**2), axis=1)

# ALLOWED
def func(x):
    return sin(x**2)

df.parallel_apply(func, axis=1)

consulte https://github.com/nalepae/pandarallel

Se você deseja permanecer no python nativo:

import multiprocessing as mp

with mp.Pool(mp.cpu_count()) as pool:
    df['newcol'] = pool.map(f, df['col'])

aplicará a função fem paralelo à coluna coldo dataframedf

Aqui está um exemplo de transformador de base sklearn, no qual os pandas se aplicam é paralelizado

import multiprocessing as mp
from sklearn.base import TransformerMixin, BaseEstimator

class ParllelTransformer(BaseEstimator, TransformerMixin):
    def __init__(self,
                 n_jobs=1):
        """
        n_jobs - parallel jobs to run
        """
        self.variety = variety
        self.user_abbrevs = user_abbrevs
        self.n_jobs = n_jobs
    def fit(self, X, y=None):
        return self
    def transform(self, X, *_):
        X_copy = X.copy()
        cores = mp.cpu_count()
        partitions = 1

        if self.n_jobs <= -1:
            partitions = cores
        elif self.n_jobs <= 0:
            partitions = 1
        else:
            partitions = min(self.n_jobs, cores)

        if partitions == 1:
            # transform sequentially
            return X_copy.apply(self._transform_one)

        # splitting data into batches
        data_split = np.array_split(X_copy, partitions)

        pool = mp.Pool(cores)

        # Here reduce function - concationation of transformed batches
        data = pd.concat(
            pool.map(self._preprocess_part, data_split)
        )

        pool.close()
        pool.join()
        return data
    def _transform_part(self, df_part):
        return df_part.apply(self._transform_one)
    def _transform_one(self, line):
        # some kind of transformations here
        return line

para obter mais informações, consulte https://towardsdatascience.com/4-easy-steps-to-improve-your-machine-learning-code-performance-88a0b0eeffa8