pandas apply 函数 实现多进程的示例讲解

前言: 在进行数据处理的时候，我们经常会用到 pandas 。但是 pandas 本身好像并没有提供多进程的机制。本文将介绍如何来自己实现 pandas (apply 函数)的多进程执行。其中，我们主要借助 joblib 库，这个库为python 提供了一个非常简洁方便的多进程实现方法。

所以，本文将按照下面的安排展开，前面可能比较啰嗦，若只是想知道怎么用可直接看第三部分：

- 首先简单介绍 pandas 中的分组聚合操作 groupby。

- 然后简单介绍 joblib 的使用方法。

- 最后，通过一个去停用词的实验详细介绍如何实现 pandas 中 apply 函数多进程执行。

注意：本文说的都是多进程而不是多线程。

1. DataFrame.groupby 分组聚合操作

# groupby 操作df1 = pd.DataFrame({'a':[1,2,1,2,1,2], 'b':[3,3,3,4,4,4], 'data':[12,13,11,8,10,3]})df1

按照某列分组

grouped = df1.groupby('b')# 按照 'b' 这列分组了，name 为 'b' 的 key 值，group 为对应的df_groupfor name, group in grouped: print name, '->' print group

3 -> a b data0 1 3 121 2 3 132 1 3 114 -> a b data3 2 4  84 1 4 105 2 4  3

按照多列分组

grouped = df1.groupby(['a','b'])# 按照 'b' 这列分组了，name 为 'b' 的 key 值，group 为对应的df_groupfor name, group in grouped: print name, '->' print group

(1, 3) -> a b data0 1 3 122 1 3 11(1, 4) -> a b data4 1 4 10(2, 3) -> a b data1 2 3 13(2, 4) -> a b data3 2 4  85 2 4  3

若 df.index 为[1,2,3…]这样一个 list， 那么按照 df.index分组，其实就是每组就是一行，在后面去停用词实验中，我们就用这个方法把 df_all 处理成每行为一个元素的 list， 再用多进程处理这个 list。

grouped = df1.groupby(df1.index)# 按照 index 分组，其实每行就是一个组了print len(grouped), type(grouped)for name, group in grouped: print name, '->' print group

6 <class 'pandas.core.groupby.DataFrameGroupBy'>0 -> a b data0 1 3 121 -> a b data1 2 3 132 -> a b data2 1 3 113 -> a b data3 2 4  84 -> a b data4 1 4 105 -> a b data5 2 4  3

2. joblib 用法

refer: https://pypi.python.org/pypi/joblib

# 1. Embarrassingly parallel helper: to make it easy to write readable parallel code and debug it quickly:from joblib import Parallel, delayedfrom math import sqrt

处理小任务的时候，多进程并没有体现出优势。

%time result1 = Parallel(n_jobs=1)(delayed(sqrt)(i**2) for i in range(10000))%time result2 = Parallel(n_jobs=8)(delayed(sqrt)(i**2) for i in range(10000))