用 Python 高效處理大文件
為了進(jìn)行并行處理，我們將任務(wù)劃分為子單元。它增加了程序處理的作業(yè)數(shù)量，減少了整體處理時間。
例如，如果你正在處理一個大的CSV文件，你想修改一個單列。我們將把數(shù)據(jù)以數(shù)組的形式輸入函數(shù)，它將根據(jù)可用的進(jìn)程數(shù)量，一次并行處理多個值。這些進(jìn)程是基于你的處理器內(nèi)核的數(shù)量。
在這篇文章中，我們將學(xué)習(xí)如何使用multiprocessing、joblib和tqdm Python包減少大文件的處理時間。這是一個簡單的教程，可以適用于任何文件、數(shù)據(jù)庫、圖像、視頻和音頻。
開始
我們將使用來自 Kaggle 的 US Accidents (2016 - 2021) 數(shù)據(jù)集，它包括280萬條記錄和47個列。
https://www.kaggle.com/datasets/sobhanmoosavi/us-accidents
我們將導(dǎo)入multiprocessing、joblib和tqdm用于并行處理，pandas用于數(shù)據(jù)導(dǎo)入，re、nltk和string用于文本處理。
# Parallel Computingimport multiprocessing as mpfrom joblib import Parallel, delayedfrom tqdm.notebook import tqdm# Data Ingestionimport pandas as pd# Text Processingimport refrom nltk.corpus import stopwordsimport string
在我們開始之前，讓我們通過加倍cpu_count()來設(shè)置n_workers。正如你所看到的，我們有8個workers。
n_workers = 2 * mp.cpu_count()print(f"{n_workers} workers are available")>>> 8 workers are available
下一步，我們將使用pandas read_csv函數(shù)讀取大型CSV文件。然后打印出dataframe的形狀、列的名稱和處理時間。
%%timefile_name="../input/us-accidents/US_Accidents_Dec21_updated.csv"df = pd.read_csv(file_name)print(f"Shape:{df.shape}\n\nColumn Names:\n{df.columns}\n")
輸出：
Shape:(2845342, 47)Column Names:Index(['ID', 'Severity', 'Start_Time', 'End_Time', 'Start_Lat', 'Start_Lng','End_Lat', 'End_Lng', 'Distance(mi)', 'Description', 'Number', 'Street','Side', 'City', 'County', 'State', 'Zipcode', 'Country', 'Timezone','Airport_Code', 'Weather_Timestamp', 'Temperature(F)', 'Wind_Chill(F)','Humidity(%)', 'Pressure(in)', 'Visibility(mi)', 'Wind_Direction','Wind_Speed(mph)', 'Precipitation(in)', 'Weather_Condition', 'Amenity','Bump', 'Crossing', 'Give_Way', 'Junction', 'No_Exit', 'Railway','Roundabout', 'Station', 'Stop', 'Traffic_Calming', 'Traffic_Signal','Turning_Loop', 'Sunrise_Sunset', 'Civil_Twilight', 'Nautical_Twilight','Astronomical_Twilight'],dtype='object')CPU times: user 33.9 s, sys: 3.93 s, total: 37.9 sWall time: 46.9 s
處理文本
clean_text是一個用于處理文本的簡單函數(shù)。我們將使用nltk.copus獲得英語停止詞，并使用它來過濾掉文本行中的停止詞。之后，我們將刪除句子中的特殊字符和多余的空格。它將成為確定串行、并行和批處理的處理時間的基準(zhǔn)函數(shù)。
def clean_text(text):# Remove stop wordsstops = stopwords.words("english")text = " ".join([word for word in text.split() if wordnot in stops])# Remove Special Characterstext = text.translate(str.maketrans('', '', string.punctuation))# removing the extra spacestext = re.sub(' +',' ', text)return text
串行處理
對于串行處理，我們可以使用pandas的.apply()函數(shù)，但是如果你想看到進(jìn)度條，你需要為pandas激活tqdm，然后使用.progress_apply()函數(shù)。
我們將處理280萬條記錄，并將結(jié)果保存回 “Description” 列中。
%%timetqdm.pandas()df['Description'] = df['Description'].progress_apply(clean_text)
輸出
高端處理器串行處理280萬行花了9分5秒。
100% ???????? 2845342/2845342 [09:05<00:00, 5724.25it/s]CPU times: user 8min 14s, sys: 53.6 s, total: 9min 7sWall time: 9min 5s
多進(jìn)程處理
有多種方法可以對文件進(jìn)行并行處理，我們將了解所有這些方法。multiprocessing是一個內(nèi)置的python包，通常用于并行處理大型文件。
我們將創(chuàng)建一個有8個workers的多處理池，并使用map函數(shù)來啟動進(jìn)程。為了顯示進(jìn)度條，我們將使用tqdm。
map函數(shù)由兩部分組成。第一個部分需要函數(shù)，第二個部分需要一個參數(shù)或參數(shù)列表。
%%timep = mp.Pool(n_workers)df['Description'] = p.map(clean_text,tqdm(df['Description']))
輸出
我們的處理時間幾乎提高了3倍。處理時間從9分5秒下降到3分51秒。
100% ???????? 2845342/2845342 [02:58<00:00, 135646.12it/s]CPU times: user 5.68 s, sys: 1.56 s, total: 7.23 sWall time: 3min 51s
并行處理
我們現(xiàn)在將學(xué)習(xí)另一個Python包來執(zhí)行并行處理。在本節(jié)中，我們將使用joblib的Parallel和delayed來復(fù)制map函數(shù)。
Parallel需要兩個參數(shù)：n_job = 8和backend = multiprocessing。然后，我們將在
delayed函數(shù)中加入clean_text。創(chuàng)建一個循環(huán)，每次輸入一個值。
下面的過程是相當(dāng)通用的，你可以根據(jù)你的需要修改你的函數(shù)和數(shù)組。我曾用它來處理成千上萬的音頻和視頻文件，沒有任何問題。
建議：使用 "try: "和 "except: "添加異常處理。
def text_parallel_clean(array):result = Parallel(n_jobs=n_workers,backend="multiprocessing")(delayed(clean_text)(text)for text in tqdm(array))return result
在text_parallel_clean()中添加“Description”列。
%%timedf['Description'] = text_parallel_clean(df['Description'])
輸出
我們的函數(shù)比多進(jìn)程處理Pool多花了13秒。即使如此，并行處理也比串行處理快4分59秒。
100% ???????? 2845342/2845342 [04:03<00:00, 10514.98it/s]CPU times: user 44.2 s, sys: 2.92 s, total: 47.1 sWall time: 4min 4s
并行批量處理
有一個更好的方法來處理大文件，就是把它們分成若干批，然后并行處理。讓我們從創(chuàng)建一個批處理函數(shù)開始，該函數(shù)將在單一批次的值上運(yùn)行clean_function。
批量處理函數(shù)
def proc_batch(batch):return [clean_text(text)for text in batch]
將文件分割成批
下面的函數(shù)將根據(jù)workers的數(shù)量把文件分成多個批次。在我們的例子中，我們得到8個批次。
def batch_file(array,n_workers):file_len = len(array)batch_size = round(file_len / n_workers)batches = [array[ix:ix+batch_size]for ix in tqdm(range(0, file_len, batch_size))]return batchesbatches = batch_file(df['Description'],n_workers)>>> 100% 8/8 [00:00<00:00, 280.01it/s]
運(yùn)行并行批處理
最后，我們將使用Parallel和delayed來處理批次。
%%timebatch_output = Parallel(n_jobs=n_workers,backend="multiprocessing")(delayed(proc_batch)(batch)for batch in tqdm(batches))df['Description'] = [j for i in batch_output for j in i]
輸出
我們已經(jīng)改善了處理時間。這種技術(shù)在處理復(fù)雜數(shù)據(jù)和訓(xùn)練深度學(xué)習(xí)模型方面非常有名。
100% ???????? 8/8 [00:00<00:00, 2.19it/s]CPU times: user 3.39 s, sys: 1.42 s, total: 4.81 sWall time: 3min 56s
tqdm 并發(fā)
tqdm將多處理帶到了一個新的水平。它簡單而強(qiáng)大。
process_map需要：
函數(shù)名稱 Dataframe列名max_workerschucksize與批次大小類似。我們將用workers的數(shù)量來計算批處理的大小，或者你可以根據(jù)你的喜好來添加這個數(shù)字。
%%timefrom tqdm.contrib.concurrent import process_mapbatch = round(len(df)/n_workers)df['Description'] = process_map(clean_text,df['Description'], max_workers=n_workers, chunksize=batch)
輸出
通過一行代碼，我們得到了最好的結(jié)果：
100% ???????? 2845342/2845342 [03:48<00:00, 1426320.93it/s]CPU times: user 7.32 s, sys: 1.97 s, total: 9.29 sWall time: 3min 51s
結(jié)論
我們需要找到一個平衡點(diǎn)，它可以是串行處理，并行處理，或批處理。如果你正在處理一個較小的、不太復(fù)雜的數(shù)據(jù)集，并行處理可能會適得其反。
在這個教程中，我們已經(jīng)了解了各種處理大文件的Python包，它們允許我們對數(shù)據(jù)函數(shù)進(jìn)行并行處理。
如果你只處理一個表格數(shù)據(jù)集，并且想提高處理性能，那么建議你嘗試Dask、datatable和RAPIDS。
- 點(diǎn)擊下方閱讀原文加入社區(qū)會員