前言
python 有自己的多进包 multiprocessing 去实现并行计算,但在 pandas 处理数据中,使用 multiprocessing 并不好使,只听见风扇转啊转,就不见运行完毕。
为了提高一点数据清洗的速度,找到一个 pandas 多进程的方法,pandarallel 库,做了一下测试。
小数据集(先试过了 1w)可能多进程还没单进程快,因为进程开启关闭也要一点时间;于是我弄了 100w 数据来测试:
利用以上数据做以下处理:
单进程
在单进程的情况下,可以看到用时 294s,接近 5min 了。
多进程
multiprocessing 多进程写法,这种写法网上一搜一大把,代码没有错,多进程任务可以执行。
例如 run_task 函数中的任务是爬虫代码时,没有什么问题,但如果是数据清洗的代码,我测试就很久都跑不出来:
接下来换成 pandas 多进程 pandarallel 的写法就可以:
可以看到改写后时间用时 154s,2min30s,比单进程快了一倍。
关于 pandarallel 可以查看文档:
https://github.com/nalepae/pandarallel/tree/v1.5.2
对应的多进程写法函数对照表,pandas 中的 apply,applymap,map 三个函数的区别,写对应的代码:
源码获取
https://blog.csdn.net/zjkpy_5/article/details/123974556?spm=1001.2014.3001.5501