前言

大家好，這里是浩道linux，主要給大家分享linux、python、網絡通信相關的IT知識平臺。

眾所周知，python除了以簡潔著稱，其成熟的第三方庫功能也是很強大的，今天浩道帶大家看看如何通過python輕松處理大文件，真讓人直呼yyds。

為了進行并行處理，我們將任務劃分為子單元。它增加了程序處理的作業數量，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。我們將把數據以數組的形式輸入函數，它將根據可用的進程數量，一次并行處理多個值。這些進程是基于你的處理器內核的數量。

在這篇文章中，我們將學習如何使用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、數據庫、圖像、視頻和音頻。

開始

我們將使用來自 Kaggle 的 US Accidents (2016 - 2021) 數據集，它包括280萬條記錄和47個列。

https://www.kaggle.com/datasets/sobhanmoosavi/us-accidents

我們將導入multiprocessing、joblib和tqdm用于并行處理，pandas用于數據導入，re、nltk和string用于文本處理。

# Parallel Computing


import multiprocessing as mp


from joblib import Parallel, delayed


from tqdm.notebook import tqdm


# Data Ingestion 


import pandas as pd


# Text Processing 


import re 


from nltk.corpus import stopwords


import string

在我們開始之前，讓我們通過加倍cpu_count()來設置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。

%%time
file_name="../input/us-accidents/US_Accidents_Dec21_updated.csv"
df = pd.read_csv(file_name)


print(f"Shape:{df.shape}

Column Names:
{df.columns}
")

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 s
Wall time: 46.9 s

處理文本

clean_text是一個用于處理文本的簡單函數。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函數。

def clean_text(text): 
  # Remove stop words
  stops = stopwords.words("english")
  text = " ".join([word for word in text.split() if word 
 not in stops])
  # Remove Special Characters
  text = text.translate(str.maketrans('', '', string.punctuation))
  # removing the extra spaces
  text = 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，但是如果你想看到進度條，你需要為pandas激活tqdm，然后使用.progress_apply()函數。

我們將處理280萬條記錄，并將結果保存回 “Description” 列中。

%%time
tqdm.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 7s
Wall time: 9min 5s

多進程處理

有多種方法可以對文件進行并行處理，我們將了解所有這些方法。multiprocessing是一個內置的python包，通常用于并行處理大型文件。

我們將創建一個有8個workers的多處理池，并使用map函數來啟動進程。為了顯示進度條，我們將使用tqdm。

map函數由兩部分組成。第一個部分需要函數，第二個部分需要一個參數或參數列表。

%%time
p = 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 s
Wall time: 3min 51s

并行處理

我們現在將學習另一個Python包來執行并行處理。在本節中，我們將使用joblib的Parallel和delayed來復制map函數。

Parallel需要兩個參數：n_job = 8和backend = multiprocessing。

然后，我們將在delayed函數中加入clean_text。

創建一個循環，每次輸入一個值。

下面的過程是相當通用的，你可以根據你的需要修改你的函數和數組。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。

%%time
df['Description'] = text_parallel_clean(df['Description'])

輸出

我們的函數比多進程處理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 s
Wall 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。讓我們從創建一個批處理函數開始，該函數將在單一批次的值上運行clean_function。

批量處理函數

def proc_batch(batch):
  return [
  clean_text(text)
  for text in batch
  ]

將文件分割成批

下面的函數將根據workers的數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 batches


batches = batch_file(df['Description'],n_workers)


>>> 100% 8/8 [00:00<00:00, 280.01it/s]

運行并行批處理

最后，我們將使用Parallel和delayed來處理批次。

%%time
batch_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

我們已經改善了處理時間。這種技術在處理復雜數據和訓練深度學習模型方面非常有名。

100%  8/8 [00:00<00:00, 2.19it/s]


CPU times: user 3.39 s, sys: 1.42 s, total: 4.81 s
Wall time: 3min 56s

tqdm 并發

tqdm將多處理帶到了一個新的水平。它簡單而強大。

process_map需要：

函數名稱

Dataframe列名

max_workers

chucksize與批次大小類似。我們將用workers的數量來計算批處理的大小，或者你可以根據你的喜好來添加這個數字。

%%time
from tqdm.contrib.concurrent import process_map
batch = 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果：

100%  2845342/2845342 [03:48<00:00, 1426320.93it/s]


CPU times: user 7.32 s, sys: 1.97 s, total: 9.29 s
Wall time: 3min 51s

結論

我們需要找到一個平衡點，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、不太復雜的數據集，并行處理可能會適得其反。

在這個教程中，我們已經了解了各種處理大文件的Python包，它們允許我們對數據函數進行并行處理。

如果你只處理一個表格數據集，并且想提高處理性能，那么建議你嘗試Dask、datatable和RAPIDS。