將Python數(shù)據(jù)處理速度提升2~6倍的簡單方法

讓CPU核心物盡其用！本文介紹了僅需3行代碼，將Python數(shù)據(jù)處理速度提升2~6倍的簡單方法。這對大規(guī)模數(shù)據(jù)處理非常有用，一起來看。

Python是所有機器學習的首選編程語言。它易于使用，并擁有許多很棒的庫，可以輕松地處理數(shù)據(jù)。但是當我們需要處理大量數(shù)據(jù)時，事情就變得棘手了......

“大數(shù)據(jù)”這個詞通常指的是數(shù)據(jù)集，一個數(shù)據(jù)集里的數(shù)據(jù)點如果沒有數(shù)百萬個，也有數(shù)十萬。在這樣的規(guī)模上，每個小的計算加起來，而且我們需要在編碼過程的每個步驟保持效率。在考慮機器學習系統(tǒng)的效率時，經(jīng)常被忽視的一個關(guān)鍵步驟就是預處理階段，我們必須對所有數(shù)據(jù)點進行某種預處理操作。

默認情況下，Python程序使用單個CPU作為單個進程執(zhí)行。大多數(shù)用于機器學習的計算機至少有2個CPU核心。這意味著，對于2個CPU內(nèi)核的示例，在運行預處理時，50％或更多的計算機處理能力在默認情況下不會做任何事情！當你使用4核（ Intel i5）或6核（ Intel i7）時，就更浪費了。

但幸運的是，內(nèi)置的Python庫中有一些隱藏的功能，可以讓我們充分利用所有CPU內(nèi)核！感謝Python的concurrent.futures模塊，只需3行代碼就可以將一個普通程序轉(zhuǎn)換為一個可以跨CPU核心并行處理數(shù)據(jù)的程序。

標準方法

讓我們舉一個簡單的例子，我們在一個文件夾中有一個圖像數(shù)據(jù)集; 或者我們甚至有成千上萬的圖像！為了節(jié)省處理時間，我們在這里使用1000張圖像。我們希望在將所有圖像在傳輸?shù)缴疃?a href="http://wenjunhu.com/tags/神經(jīng)網(wǎng)絡(luò)/" target="_blank">神經(jīng)網(wǎng)絡(luò)之前將其大小調(diào)整為600x600。下面就是你經(jīng)常在GitHub上看到的一些非常標準的Python代碼。

這個程序遵循在數(shù)據(jù)處理腳本中經(jīng)?？吹降暮唵文Ｊ剑?/p>

首先是要處理的文件（或其他數(shù)據(jù)）列表；

你可以使用for循環(huán)逐個處理每個數(shù)據(jù)片段，然后在每個循環(huán)迭代上運行預處理

讓我們在一個包含1000個jpeg文件的文件夾上測試這個程序，看看運行需要多長時間：

在我的具有6個CPU核心的i7-8700k上，這個程序的運行時間是7.9864秒！對于這樣的高端CPU來說，似乎有點慢。讓我們看看我們可以做些什么來加快速度。

快速方式

為了理解我們希望Python如何并行處理事物，直觀地思考并行處理本身是有幫助的。假設(shè)我們必須執(zhí)行相同的任務(wù)，例如將釘子釘入一塊木頭，我們的桶中有1000個釘子。如果釘每個釘子需要1秒鐘，那么1個人的話需要花1000秒完成工作。但是如果有4個人，我們會將整桶釘子平均分成4堆，然后每個人處理自己的一堆釘子。這樣，只需250秒即可完成任務(wù)！

在這個包含1000張圖像的任務(wù)中，也可以這樣處理：

將jpg文件列表分為4個較小的組。

運行Python解釋器的4個獨立實例。

讓每個Python實例處理4個較小數(shù)據(jù)組中的一個。

結(jié)合4個過程的結(jié)果，得到最終的結(jié)果列表。

這里最重要的部分是Python為我們處理了所有艱苦的工作。我們只是告訴它我們想要運行哪個函數(shù)，以及使用多少Python實例，然后它完成了所有其他操作！我們只需修改3行代碼。

上面的代碼中的：

你有多少CPU核心就啟動多少Python進程，在我的例子中是6個。實際的處理代碼是這樣的：

executor.map（）將你想要運行的函數(shù)和一個列表作為輸入，列表中的每個元素都是函數(shù)的單個輸入。由于我們有6個核心，我們將同時處理列表中的6個項！

再次運行程序看看：

運行時間是1.14265秒，幾乎加速了6倍！

注意：產(chǎn)生更多Python進程并在它們之間移動數(shù)據(jù)時，會產(chǎn)生一些開銷，因此不會總是得到這么大的速度提升。 但總的來說，加速相當顯著。

是否總能大幅加速？

當你有要處理的數(shù)據(jù)列表并且要對每個數(shù)據(jù)點執(zhí)行類似的計算時，使用Python并行池是一個很好的解決方案。但是，它并不總是完美的。并行池處理的數(shù)據(jù)不會以任何可預測的順序處理。如果你需要處理的結(jié)果按特定順序排列，那么這種方法可能不適合。

你處理的數(shù)據(jù)還必須是Python知道如何“pickle”的類型。幸運的是，這些類型很常見。以下來自Python官方文檔：

None, True, 及 False

整數(shù)，浮點數(shù)，復數(shù)

字符串，字節(jié)，字節(jié)數(shù)組

僅包含可選對象的元組，列表，集合和詞典

在模塊的頂層定義的函數(shù)（使用def，而不是lambda）

在模塊頂層定義的內(nèi)置函數(shù)

在模塊頂層定義的類

這些類的實例，__dict__或調(diào)用__getstate __（）的結(jié)果是可選擇的