在python 3.4.7的pool.map函数中添加其他随机参数作为参数

Question

我想对大型数据集使用多重处理，以查找两列的乘积，并在参数中使用给定参数过滤数据集。我构建了一个测试集，但无法在该集上进行多重处理。

[首先，我尝试在parallelize_dataframe函数中对数据集进行除法，然后在subset_col函数中应用乘法函数和过滤器函数。稍后，我将完整的数据集附加回parallelize_dataframe中。

import numpy as np
import pandas as pd
from multiprocessing import Pool
from multiprocessing import Lock

df = pd.DataFrame({'col1': [1, 0, 1, 1, 1, 0, 0, 1, 0, 1],
                'col2': ['aa', 'aa', 'aa', 'bb', 'bb', 'bb', 'bb', 'cc', 'cc', 'cc'],
                'col3': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
                'col4': [21, 22, 23, 24, 25, 26, 27, 28, 29, 30]})



def subset_col(df, p):
    print("Working with number: " + str(p))
    df[col5] = df[col3]*df[col4]
    df= df[df['col1'] == p]


def parallelize_dataframe(df, p, func, n_cores=80):
    df_split = np.array_split(df, n_cores)
    pool = Pool(n_cores)
    df = pd.concat(pool.map(func, df_split, p))
    pool.close()
    pool.join()
    return df


df3 = parallelize_dataframe(df,1,subset_col)

结果应该是col3和col4的乘积，其中col1用值过滤。但是我总是会出错：

File "<stdin>", line 1, in <module>
File "<stdin>", line 4, in parallelize_dataframe
struct.error: 'i' format requires -2147483648 <= number <= 2147483647 

但是，如果我从所有函数中删除过滤器“ p”，它就可以正常工作。有人可以帮我调试吗？

Answer 1

从multiprocessing.Pool.map的官方文档开始，它“仅支持一个iterable参数”。因此，您需要更改subset_col的接口以采用单个参数。另外，您忘记了使列成为字符串，从而导致名称错误。为了减少计算量，应在相乘之前进行过滤。然后应返回一个值，除非您的函数仅通过副作用进行操作（我假设您不希望这样做，因为您将池结果串联在一起）。

def subset_col(pair):
    df, p = pair
    print("Working with number: " + str(p))
    df = df[df['col1'] == p].copy()
    df['col5'] = df['col3']
    return df

[下一步，我们将需要修正您如何调用pool.map，因为它只根据您的工作使用2个参数（第三个，最后一个参数为chunksize）。由于您希望每个过程都使用相同的p，因此我们将dfs与每个过程的重复值p压缩在一起。另外，考虑使用上下文管理器来处理关闭资源。

def parallelize_dataframe(df, p, func, n_cores=None):
    if n_cores is None:
        n_cores = os.cpu_count()

    dfs = np.array_split(df, n_cores)
    pairs = zip(dfs, itertools.repeat(p))
    with Pool(n_cores) as pool:
        result = pool.map(func, pairs)

    df = pd.concat(result)
    return df

现在可以正确返回新的数据框。但是我绝对怀疑您拥有一台具有80核的机器。考虑通过使用n_cores=None]来实现Python dynamically figure out以使os.cpu_count您的计算机上有多少个内核

df3 = parallelize_dataframe(df, 1, subset_col)