pandas本身计算是非多进程的,joblib是一种Python的多进程库,可以实现并发和大量磁盘数据的读写。我们把他应用到pandas提升pandas的计算效率。
一、使用场景
由于建立多进程存在开销和各进程间的协助以及通信问题问题,因此满足以下场景使用多进程使用才能加速,否则效率可能低于非多进程方法或者结果错误。
1、数据集较大。通常大于1w行/列,至少大于5000行才有必要使用多进程加速。
2、数据集可以分割,且分割后的各个块计算逻辑不交叉,典型的应用场景是按行分割或者按列分割。按行列分块后,如果各块计算逻辑独立也可以应用多进程。
3、计算逻辑耗时。对于简单的判断、四则运算、内置函数计算等,在数据集不是超大的情况下,使用多进程无法加速,甚至会降低效率。
二、使用方法
多进程流程
joblib库多进程使用方法为
详细版:
list_np = df_dflist(df1,9)
tasks = [delayed(函数)(参数) for 参数 in list_np]
res=Parallel(n_jobs=3)(tasks)
data = pd.concat(res)
简化版:
res = Parallel(n_jobs=3)([delayed(f)(x,y) for x