Pandas 多进程处理数据,速度快了不少!

木下学Python

共 836字,需浏览 2分钟

 ·

2022-08-05 17:14

99a22e25e8dd6833d981ca6887003692.webp03d7134ec92d9870546192b0a3d36f60.webp



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。


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:


cc9a891202147caff105507c72614ef2.webp


利用以上数据做以下处理:

  1. 剔除 titile,comment 两列文本中的表情符号

  2. title,comment 两列做一个分词处理,覆盖原来的列



单进程

627480b75c7b2376488ef37a1e1af94b.webpa73811a2e040c461699c1c6053781db9.webp

在单进程的情况下,可以看到用时 294s,接近 5min 了。



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:


655e81a674755c8a2b33b0c4cd32f3ef.webp


接下来换成 pandas 多进程 pandarallel 的写法就可以:


1a8e43b1e498c74abe0346f394d96eb6.webp103b1c7d395f11c6a61f8d829486a462.webp

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:

https://github.com/nalepae/pandarallel/tree/v1.5.2

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:

b2babcc4c8d46909f78adc38049218be.webp



源码获取

https://blog.csdn.net/zjkpy_5/article/details/123974556?spm=1001.2014.3001.5501



END

读者交流群已建立,找到我备注 “交流”,即可获得加入我们~

听说点 “在看” 的都变得更好看呐~

关注关注小编呗~小编给你分享爬虫,数据分析,可视化的内容噢~

扫一扫下方二维码即可关注我噢~


-END-




浏览 37
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报