对pandas datafram的多处理写入

Question

所以我试图对下面的代码做的是读取一个列表列表，并将它们放入名为checker的函数中，然后让log_result处理函数checker的结果。我尝试使用多线程来实现这一点，因为变量名rows_to_parse实际上有数百万行，所以使用多个内核应该会大大加快这个过程。

目前的代码不起作用，导致Python崩溃。

我的关注点和问题：

1. 希望保存在变量df中的现有df保持 在整个过程中索引，否则log_result将获得 不知道哪一行需要更新。
2. 我很确定apply_async不是合适的 执行此任务的多处理函数，因为我相信 计算机读写df的顺序可能会损坏它？？？
3. 我认为可能需要设置一个队列来写入和读取df 但我不确定我会怎么做。

谢谢你的帮助。

import pandas as pd
import multiprocessing
from functools import partial

def checker(a,b,c,d,e):
    match = df[(df['a'] == a) & (df['b'] == b) & (df['c'] == c) & (df['d'] == d) & (df['e'] == e)]
    index_of_match = match.index.tolist()
    if len(index_of_match) == 1: #one match in df
        return index_of_match
    elif len(index_of_match) > 1: #not likely because duplicates will be removed prior to: if "__name__" == __main__:
        return [index_of_match[0]]
    else: #no match, returns a result which then gets processed by the else statement in log_result. this means that [a,b,c,d,e] get written to the df
        return [a,b,c,d,e]



def log_result(result, dataf):
    if len(result) == 1: #
        dataf.loc[result[0]]['e'] += 1 
    else: #append new row to exisiting df
        new_row = pd.DataFrame([result],columns=cols)
        dataf = dataf.append(new_row,ignore_index=True)


def apply_async_with_callback(parsing_material, dfr):
    pool = multiprocessing.Pool()
    for var_a, var_b, var_c, var_d, var_e in parsing_material:
        pool.apply_async(checker, args = (var_a, var_b, var_c, var_d, var_e), callback = partial(log_result,dataf=dfr))
    pool.close()
    pool.join()



if __name__ == '__main__':
    #setting up main dataframe
    cols = ['a','b','c','d','e']
    existing_data = [["YES","A","16052011","13031999",3],
                    ["NO","Q","11022003","15081999",3],
                    ["YES","A","22082010","03012001",9]]

    #main dataframe
    df = pd.DataFrame(existing_data,columns=cols)

    #new data
    rows_to_parse = [['NO', 'A', '09061997', '06122003', 5],
                    ['YES', 'W', '17061992', '26032012', 6],
                    ['YES', 'G', '01122006', '07082014', 2],
                    ['YES', 'N', '06081992', '21052008', 9],
                    ['YES', 'Y', '18051995', '24011996', 6],
                    ['NO', 'Q', '11022003', '15081999', 3],
                    ['NO', 'O', '20112004', '28062008', 0],
                    ['YES', 'R', '10071994', '03091996', 8],
                    ['NO', 'C', '09091998', '22051992', 1],
                    ['YES', 'Q', '01051995', '02012000', 3],
                    ['YES', 'Q', '26022015', '26092007', 5],
                    ['NO', 'F', '15072002', '17062001', 8],
                    ['YES', 'I', '24092006', '03112003', 2],
                    ['YES', 'A', '22082010', '03012001', 9],
                    ['YES', 'I', '15072016', '30092005', 7],
                    ['YES', 'Y', '08111999', '02022006', 3],
                    ['NO', 'V', '04012016', '10061996', 1],
                    ['NO', 'I', '21012003', '11022001', 6],
                    ['NO', 'P', '06041992', '30111993', 6],
                    ['NO', 'W', '30081992', '02012016', 6]]


    apply_async_with_callback(rows_to_parse, df)

Answer 1

在多处理中更新这样的数据帧是行不通的：

dataf = dataf.append(new_row,ignore_index=True)

一方面，这是非常低效的（O（n）为每个附加so O（n^2）的总和。首选的方法是一次将一些对象连接在一起。

另一方面，更重要的是，dataf并没有为每次更新锁定，所以不能保证两个操作不会冲突（我猜这是崩溃的python）。

最后，append不起作用，因此一旦回调完成，变量dataf就会被丢弃！！并且不会对父级dataf进行任何更改。

---

我们可以使用MultiProcessing list或dict。如果您不关心order或dict，请列出（例如枚举），因为您必须注意，从async返回的值不是以定义良好的顺序返回的。
（或者我们可以创建一个实现锁的对象，请参见Eli Bendersky）
因此进行了以下更改：

df = pd.DataFrame(existing_data,columns=cols)
# becomes
df = pd.DataFrame(existing_data,columns=cols)
d = MultiProcessing.list([df])

dataf = dataf.append(new_row,ignore_index=True)
# becomes
d.append(new_row)

现在，一旦异步完成，就有了一个数据帧的MultiProcessing.list。您可以浓缩这些（和ignore_index）以获得所需的结果：

pd.concat(d, ignore_index=True)

应该会成功的。

---

注意：在每个阶段创建newrow数据帧的效率也比让pandas一次性将列表列表直接解析为数据帧的效率低。希望这是一个玩具的例子，真的你希望你的块相当大，以获得胜利与多处理（我听到了50kb作为经验法则…），一次一排永远不会是一个胜利在这里。

---

旁白：您应该避免在代码中使用globals（比如df），在函数中传递globals（在本例中，作为checker的参数）要干净得多。