Pandas groupby加速处理数据问题

在使用pandas的时候，经常会用到groupby这个函数来对数据进行分组统计，同时可以使用 apply函数很方便的对分组之后的数据进行处理。

def data_process(x):
	# process
	return ...
	
result = df.groupby('user_id').apply(data_process)

使用joblib进行加速

但是如果数据非常多的时候(比如几千万条数据)，运行的效率是比较低的，因为这个时候只使用了一个CPU线程，所以当数据非常多的时候，处理起来会很慢。这个时候CPU其他的核是空闲的，所以考虑使用joblib来多线程加速。

from joblib import Parallel, delayed

def data_process(x):
	# process
	return ...
	
def applyParallel(dfGrouped, func):
    res = Parallel(n_jobs=4)(delayed(func)(group) for name, group in dfGrouped)
    return pd.concat(res)
    
result = applyParallel(df.groupby('user_id'), data_process)

使用pandarallel进行加速

除了使用joblib之外，还可以使用pandarallel进行加速，使用pandarallel无需编写函数，只需要提前初始化pandarallel即可。

from pandarallel import pandarallel
pandarallel.initialize(progress_bar=True)
# 可选参数：
# nb_workers：用于并行化的工作程序数。数值类型，如果未设置，则将使用所有可用的CPU。
# progress_bar：如果设置为，则显示进度条True。（False默认为布尔）
# verbose：详细级别（2默认为int ）
#          0-不显示任何日志
#          1-仅显示警告日志
#          2-显示所有日志
# use_memory_fs：（None默认为布尔）如果设置为None且内存文件系统可用，Pandarallel将使用它在主进程和工作进程之间传输数据。
# 如果内存文件系统不可用，则Pandarallel将默认进行多处理数据传输（管道）。如果设置为True，则Pandarallel将使用内存文件系统在主进程和工作进程之间传输数据，SystemError如果内存文件系统不可用，则会引发。
# 如果设置为False，则Pandarallel将使用多处理数据传输（管道）在主进程和工作进程之间传输数据。

def data_process(x):
	# process
	return ...

result = df.groupby('user_id').parallel_apply(data_process)

需要说明的是，pandarallel目前只能在Linux和OS X上运行。使用内存文件系统(参数use_memory_fs控制)可以减少主进程与工作进程之间的数据传输时间，尤其是对于大数据而言。仅当目录/dev/shm存在且用户对其具有读写权限时，才认为内存文件系统可用。基本上，内存文件系统仅在某些Linux发行版（包括Ubuntu）上可用。

并行化具有成本（实例化新进程，通过共享内存发送数据等），因此，只有在要进行并行化的计算量足够高的情况下，并行化才有效。对于很少的数据，使用并行化并不总是值得的。

参考：https://github.com/nalepae/pandarallel