python - 为什么 pandas.groupby.mean 比并行实现快得多

Question

我在一个非常大的数据集上使用 pandas grouby 均值函数，如下所示:

import pandas as pd
df=pd.read_csv("large_dataset.csv")
df.groupby(['variable']).mean() 

看起来函数没有使用多处理，因此，我实现了一个并行版本:

import pandas as pd 
from multiprocessing import Pool, cpu_count 

def meanFunc(tmp_name, df_input): 
    df_res=df_input.mean().to_frame().transpose()
    return df_res 

def applyParallel(dfGrouped, func):
    num_process=int(cpu_count())
    with Pool(num_process) as p: 
        ret_list=p.starmap(func, [[name, group] for name, group in dfGrouped])
    return pd.concat(ret_list)

applyParallel(df.groupby(['variable']), meanFunc)

但是，pandas 的实现似乎仍然比我的并行实现快方式。

我正在查看 source code对于 pandas groupby，我看到它正在使用 cython。是这个原因吗？

def _cython_agg_general(self, how, alt=None, numeric_only=True,
                        min_count=-1):
    output = {}
    for name, obj in self._iterate_slices():
        is_numeric = is_numeric_dtype(obj.dtype)
        if numeric_only and not is_numeric:
            continue

        try:
            result, names = self.grouper.aggregate(obj.values, how,
                                                   min_count=min_count)
        except AssertionError as e:
            raise GroupByError(str(e))
        output[name] = self._try_cast(result, obj)

    if len(output) == 0:
        raise DataError('No numeric types to aggregate')

    return self._wrap_aggregated_output(output, names)

Answer 1

简答 - 使用 dask如果你想要并行处理这些类型的案例。你的方法中有它避免的陷阱。它可能仍然不会更快，但会给你最好的机会，并且在很大程度上是 pandas 的直接替代品。

更长的答案

1) 并行性本质上会增加开销，因此理想情况下，您要并行化的操作会有些昂贵。添加数字并不是特别重要 - 你是对的，这里使用了 cython，你正在查看的代码是调度逻辑。实际的核心cython是here ，这转化为一个非常简单的 C 环。

2) 您正在使用多处理 - 这意味着每个进程都需要获取数据的副本。这很贵。由于 GIL，通常你必须在 python 中执行此操作 - 你实际上可以(dask 确实)在这里使用线程，因为 pandas 操作在 C 中并释放 GIL。

3) 正如@AKX 在评论中指出的那样 - 并行化之前的迭代 (... name, group in dfGrouped) 也相对昂贵 - 它为每个组构建新的子数据帧。原始的 pandas 算法迭代就地数据。