Pandas 多进程处理数据提高速度
更新时间：2022年04月06日 08:40:24 作者：Python学习与数据挖掘
这篇文章主要介绍了Pandas 多进程处理数据提高速度，Pandas多进程的方法，pandarallel 库，下面具体的测试方法,需要的朋友可以参考一下，希望对你的学习有所帮助
前言：
python 有自己的多进包 multiprocessing 去实现并行计算，但在Pandas处理数据中，使用 multiprocessing 并不好使，只听见风扇转啊转，就不见运行完毕。
为了提高一点数据清洗的速度，找到一个Pandas多进程的方法，pandarallel 库，做了一下测试。下面来看看具体过程吧
【注】文末提供技术交流方式
小数据集（先试过了1w）可能多进程还没单进程快，因为进程开启关闭也要一点时间。于是我弄了 100w 数据来测试：
利用以上数据做以下处理：
- 剔除 titile，comment 两列文本中的表情符号
- title，comment 两列做一个分词处理，覆盖原来的列
1、单进程
在交互式环境中输入如下命令：
'''单进程'''
import jieba
import re
import time
import pandas as pd
def filter_emoji(desstr, restr=''):
if (desstr is None) or str(desstr) == 'nan':
return ''
# 过滤表情
try:
co = re.compile(u'[\U00010000-\U0010ffff]')
except:
co = re.compile(u'[\uD800-\uDBFF][\uDC00-\uDFFF]')
return co.sub(restr, desstr)
if __name__ == '__main__':
start = time.time()
data = pd.read_csv('feike.csv',encoding='gbk')
data['comment'] = data['comment'].map(filter_emoji)
data['title'] = data['title'].map(filter_emoji)
data['comment'] = data['comment'].map(lambda s: jieba.lcut(s))
data['title'] = data['title'].map(lambda s: jieba.lcut(s))
end = time.time()
print(end - start)输出：
在单进程的情况下，可以看到用时 294s，接近 5min 了。
2、多进程
multiprocessing多进程写法，这种写法网上一搜一大把，代码没有错，多进程任务可以执行。
例如run_task 函数中的任务是爬虫代码时，没有什么问题，但如果是数据清洗的代码，我测试就很久都跑不出来：
接下来换成Pandas多进程 pandarallel 的写法就可以：
'''pandarallel 多进程'''
import jieba
import re
import time
import pandas as pd
from pandarallel import pandarallel
pandarallel.initialize(nb_workers=4)
def filter_emoji(desstr, restr=''):
if (desstr is None) or str(desstr) == 'nan':
return ''
# 过滤表情
try:
co = re.compile(u'[\U00010000-\U0010ffff]')
except:
co = re.compile(u'[\uD800-\uDBFF][\uDC00-\uDFFF]')
return co.sub(restr, desstr)
if __name__ == '__main__':
start = time.time()
data = data = pd.read_csv('feike.csv',encoding='gbk')
data['comment'] = data['comment'].parallel_apply(filter_emoji)
data['title'] = data['title'].parallel_apply(filter_emoji)
data['comment'] = data['comment'].parallel_apply(lambda s: jieba.lcut(s))
data['title'] = data['title'].parallel_apply(lambda s: jieba.lcut(s))
end = time.time()
print(end - start)输出：
可以看到改写后时间用时 154s（2min30s），比单进程快了一倍。关于 pandarallel 可以查看文档
对应的多进程写法函数对照表，Pandas中的 apply，applymap，map 三个函数的区别，写对应的代码：
到此这篇关于Pandas 多进程处理数据提高速度的文章就介绍到这了,更多相关Pandas 多进程处理数据内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
这篇文章主要介绍了浅谈Django中的QueryDict元素为数组的坑，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-03-03
今天小编就为大家分享一篇TensorFlow获取加载模型中的全部张量名称代码，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-02-02
今天小编就为大家分享一篇python3+PyQt5 实现Rich文本的行编辑方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-06-06
这篇文章主要介绍了对Python的Django框架中的项目进行单元测试的方法,使用Django中的tests.py模块可以轻松地检测出一些常见错误,需要的朋友可以参考下2016-04-04
numpy如何按条件给元素赋值np.where、np.clip
这篇文章主要介绍了numpy如何按条件给元素赋值np.where、np.clip问题，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2023-06-06
文章去重（或叫网页去重）是根据文章（或网页）的文字内容来判断多个文章之间是否重复,下面这篇文章主要给大家介绍了关于利用Python实现论文降重工具的相关资料,需要的朋友可以参考下2021-07-07
在本篇文章里小编给大家分享的是一篇关于Python画笔的属性及用法内容，有需要的朋友们可以学习下。2021-03-03
Pygame是被设计用来写游戏的python模块集合，Pygame是在优秀的SDL库之上开发的功能性包。本文将利用Pygame制作简易的动画，感兴趣的可以学习一下2022-05-05
本文主要介绍了Django JSonResponse对象的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2023-03-03
这篇文章主要为大家详细介绍了Pyqt实现简易计算器功能，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2022-05-05
最新评论