摘要：?本文是針對(duì)Python設(shè)計(jì)一種并行處理數(shù)據(jù)的解決方案——使用Dask和Numba并行化加速運(yùn)算速度。案例對(duì)比分析了幾種不同方法的運(yùn)算速度，非常直觀，可供參考。

如果你善于使用Pandas變換數(shù)據(jù)、創(chuàng)建特征以及清洗數(shù)據(jù)等，那么你就能夠輕松地使用Dask和Numba并行加速你的工作。單純從速度上比較，Dask完勝Python，而Numba打敗Dask，那么Numba+Dask基本上算是無敵的存在。將數(shù)值計(jì)算分成Numba sub-function和使用Dask map_partition+apply，而不是使用Pandas。對(duì)于100萬行數(shù)據(jù)，使用Pandas方法和混合數(shù)值計(jì)算創(chuàng)建新特征的速度比使用Numba+Dask方法的速度要慢許多倍。

Python：60.9x | Dask：8.4x | Numba：5.8x |Numba+Dask：1x

作為舊金山大學(xué)的一名數(shù)據(jù)科學(xué)碩士，會(huì)經(jīng)常跟數(shù)據(jù)打交道。使用Apply函數(shù)是我用來創(chuàng)建新特征或清理數(shù)據(jù)的眾多技巧之一。現(xiàn)在，我只是一名數(shù)據(jù)科學(xué)家，而不是計(jì)算機(jī)科學(xué)方面的專家，但我是一個(gè)喜歡搗鼓并使得代碼運(yùn)行更快的程序員。現(xiàn)在，我將會(huì)分享我在并行應(yīng)用上的經(jīng)驗(yàn)。

大多Python愛好者可能了解Python實(shí)現(xiàn)的全局解釋器鎖（GIL），GIL會(huì)占用計(jì)算機(jī)中所有的CPU性能。更糟糕的是，我們主要的數(shù)據(jù)處理包，比如Pandas，很少能實(shí)現(xiàn)并行處理代碼。

Apply函數(shù)vs Multiprocessing.map

%time df.some_col.apply(lambda x : clean_transform_kthx(x)) Wall time: HAH! RIP BUDDY # WHY YOU NO RUN IN PARALLEL!?

Tidyverse已經(jīng)為處理數(shù)據(jù)做了一些美好的事情，Plyr是我最喜愛的數(shù)據(jù)包之一，它允許R語言使用者輕松地并行化他們的數(shù)據(jù)應(yīng)用。Hadley Wickham說過：

“plyr是一套處理一組問題的工具：需要把一個(gè)大的數(shù)據(jù)結(jié)構(gòu)分解成一些均勻的數(shù)據(jù)塊，之后對(duì)每一數(shù)據(jù)塊應(yīng)用一個(gè)函數(shù)，最后將所有結(jié)果組合在一起。”

對(duì)于Python而言，我希望有類似于plyr這樣的數(shù)據(jù)包可供使用。然而，目前這樣的數(shù)據(jù)包還不存在，但我可以使用并行數(shù)據(jù)包構(gòu)成一個(gè)簡(jiǎn)單的解決方案。

Dask

之前在Spark上花費(fèi)了一些時(shí)間，因此當(dāng)我開始使用Dask時(shí)，還是比較容易地掌握其重點(diǎn)內(nèi)容。Dask被設(shè)計(jì)成能夠在多核CPU上并行處理任務(wù)，此外也借鑒了許多Pandas的語法規(guī)則。

現(xiàn)在開始本文所舉例子。對(duì)于最近的數(shù)據(jù)挑戰(zhàn)而言，我試圖獲取一個(gè)外部數(shù)據(jù)源（包含許多地理編碼點(diǎn)），并將其與要分析的一大堆街區(qū)相匹配。在計(jì)算歐幾里得距離的同時(shí)，使用最大啟發(fā)式將最大值分配給一個(gè)街區(qū)。

最初的apply：

my_df.apply(lambda x: nearest_street(x.lat,x.lon),axis=1)

Dask apply:

dd.from_pandas(my_df,npartitions=nCores).\map_partitions(\lambda df : df.apply(\lambda x : nearest_street(x.lat,x.lon),axis=1)).\compute(get=get) # imports at the end

二者看起來很相似，apply核心語句是map_partitions，最后有一個(gè)compute()語句。此外，不得不對(duì)npartitions初始化。 分區(qū)的工作原理就是將Pandas數(shù)據(jù)幀劃分成塊，對(duì)于我的電腦而言，配置是6核-12線程，我只需告訴它使用的是12分區(qū)，Dask就會(huì)完成剩下的工作。

接下來，將map_partitions的lambda函數(shù)應(yīng)用于每個(gè)分區(qū)。由于許多數(shù)據(jù)處理代碼都是獨(dú)立地運(yùn)行，所以不必過多地?fù)?dān)心這些操作的順序問題。最后，compute()函數(shù)告訴Dask來處理剩余的事情，并把最終計(jì)算結(jié)果反饋給我。在這里，compute()調(diào)用Dask將apply適用于每個(gè)分區(qū)，并使其并行處理。

由于我通過迭代行來生成一個(gè)新隊(duì)列（特征），而Dask apply只在列上起作用，因此我沒有使用Dask apply，以下是Dask程序：

from dask import dataframe as dd from dask.multiprocessing import get from multiprocessing import cpu_count nCores = cpu_count()

Numba、Numpy和Broadcasting

由于我是根據(jù)一些簡(jiǎn)單的線性運(yùn)算（基本上是勾股定理）對(duì)數(shù)據(jù)進(jìn)行分類，所以認(rèn)為使用類似下面的Python代碼會(huì)運(yùn)行得更快一些。

for i in intersections:l3 = np.sqrt( (i[0] - [1])**2 + (i[2] - i[3])**2 ) # ... Some more of thesedist = l1 + l2if dist < (l3 * 1.2):matches.append(dist) # ... More stuff ### you get the idea, there's a for-loop checking to see if ### my points are close to my streets and then returning closest ### I even used numpy, that means fast right?

Broadcasting用以描述Numpy中對(duì)兩個(gè)形狀不同的矩陣進(jìn)行數(shù)學(xué)計(jì)算的處理機(jī)制。假設(shè)我有一個(gè)數(shù)組，我會(huì)通過迭代并逐個(gè)變換每個(gè)單元格來改變它

# over one array for cell in array:cell * CONSTANT - CONSTANT2 # over two arrays for i in range(len(array)):array[i] = array[i] + array2[i]

相反，我完全可以跳過for循環(huán)，并對(duì)整個(gè)數(shù)組執(zhí)行操作。Numpy與broadcasting混合使用，用來執(zhí)行元素智能乘積（對(duì)位相乘）。

# over one array (array * CONSTANT) - CONSTANT2 # over two arrays of same length # different lengths follow broadcasting rules array = array - array2

Broadcasting可以實(shí)現(xiàn)更多的功能，現(xiàn)在看看骨架代碼：

from numba import jit @jit # numba magic def some_func()l3_arr = np.sqrt( (intersections[:,0] - intersections[:,1])**2 +\(intersections[:,2] - intersections[:,3])**2 ) # now l3 is an array containing all of my block lengths # likewise, l1 and l2 are now equal sized arrays # containing distance of point to all intersectionsdist = l1_arr + l2_arrmatch_arr = dist < (l3_arr * 1.2) # so instead of iterating, I just immediately compare all of my # point-to-street distances at once and have a handy # boolean index

從本質(zhì)上講，代碼的功能是改變數(shù)組。好的一方面是運(yùn)行很快，甚至能和Dask并行處理速度比較。其次，如果使用的是最基本的Numpy和Python，那么就可以及時(shí)編譯任何函數(shù)。壞的一面在于它只適合Numpy和簡(jiǎn)單Python語法。我不得不把所有的數(shù)值計(jì)算從我的函數(shù)轉(zhuǎn)換成子函數(shù)，但其計(jì)算速度會(huì)增加得非常快。

將其一起使用

簡(jiǎn)單地使用map_partition()就可以將Numba函數(shù)與Dask結(jié)合在一起，如果并行操作和broadcasting能夠密切合作以加快運(yùn)行速度，那么對(duì)于大數(shù)據(jù)集而言，將會(huì)看到其運(yùn)行速度得到大幅提升。

上面的第一張圖表明，沒有broadcasting的線性計(jì)算其表現(xiàn)不佳，并行處理和Dask對(duì)速度提升也有效果。此外，可以明顯地發(fā)現(xiàn)，Dask和Numba組合的性能優(yōu)于其它方法。

上面的第二張圖稍微有些復(fù)雜，其橫坐標(biāo)是對(duì)行數(shù)取對(duì)數(shù)。從第二張圖可以發(fā)現(xiàn)，對(duì)于1k到10k這樣小的數(shù)據(jù)集，單獨(dú)使用Numba的性能要比聯(lián)合使用Numba+Dask的性能更好，盡管在大數(shù)據(jù)集上Numba+Dask的性能非常好。

優(yōu)化

為了能夠使用Numba編譯JIT，我重寫了函數(shù)以更好地利用broadcasting。之后，重新運(yùn)行這些函數(shù)后發(fā)現(xiàn)，平均而言，對(duì)于相同的代碼，JIT的執(zhí)行速度大約快了24%。

可以肯定的說，一定有進(jìn)一步的優(yōu)化方法使得執(zhí)行速度更快，但目前沒有發(fā)現(xiàn)。Dask是一個(gè)非常友好的工具，本文使用Dask+Numba實(shí)現(xiàn)的最好成果是提升運(yùn)行速度60倍。如果你知道其它的提升執(zhí)行速度的技巧，歡迎在留言區(qū)分享。

文章原標(biāo)題《Data Pre-Processing in Python: How I learned to love parallelized applies with Dask and Numba》，

作者：Ernest Kim，譯者：海棠，審閱：袁虎。

原文鏈接

干貨好文，請(qǐng)關(guān)注掃描以下二維碼：

總結(jié)

以上是生活随笔為你收集整理的Python数据预处理：使用Dask和Numba并行化加速的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。