multithreading - Dask:如何在 dask 延迟的情况下并行化我的代码？

Question

这是我第一次尝试并行处理，我一直在研究 Dask，但我在实际编码时遇到了麻烦。

我看过他们的示例和文档，我认为 dask.delayed 效果最好。我试图用 delay(function_name) 包装我的函数，或者添加一个 @delayed 装饰器，但我似乎无法让它正常工作。我更喜欢 Dask 而不是其他方法，因为它是用 python 制作的，并且(假设)简单。我知道 dask 在 for 循环中不起作用，但他们说它可以在循环内工作。

我的代码通过一个包含其他函数输入的函数传递文件，如下所示:

from dask import delayed
filenames = ['1.csv', '2.csv', '3.csv', etc. etc. ]
for count, name in enumerate(filenames)"
    name = name.split('.')[0]
    ....

然后做一些预处理例如:

    preprocess1, preprocess2 = delayed(read_files_and_do_some_stuff)(name)

然后我调用一个构造函数并将 pre_results 传递给函数调用:

    fc = FunctionCalls()
    Daily = delayed(fc.function_runs)(filename=name, stringinput='Daily',
                             input_data=pre_result1, model1=pre_result2)

我在这里做的是将文件传递到 for 循环中，进行一些预处理，然后将文件传递到两个模型中。

关于如何并行化的想法或提示？我开始遇到奇怪的错误，我不知道如何修复代码。代码按原样工作。我使用了一堆 Pandas 数据帧、系列和 numpy 数组，我不想回去改变一切以使用 dask.dataframes 等。

我评论中的代码可能难以阅读。这是一种更格式化的方式。

在下面的代码中，当我输入 print(mean_squared_error) 我只是得到: Delayed('mean_squared_error-3009ec00-7ff5-4865-8338-1fec3f9ed138')

from dask import delayed
import pandas as pd
from sklearn.metrics import mean_squared_error as mse
filenames = ['file1.csv']

for count, name in enumerate(filenames):
    file1 = pd.read_csv(name)
    df = pd.DataFrame(file1)
    prediction = df['Close'][:-1]
    observed = df['Close'][1:]
    mean_squared_error = delayed(mse)(observed, prediction)

Answer 1

您需要调用 dask.compute 以最终计算结果。见 dask.delayed documentation .

顺序码

import pandas as pd
from sklearn.metrics import mean_squared_error as mse
filenames = [...]

results = []
for count, name in enumerate(filenames):
    file1 = pd.read_csv(name)
    df = pd.DataFrame(file1)  # isn't this already a dataframe?
    prediction = df['Close'][:-1]
    observed = df['Close'][1:]
    mean_squared_error = mse(observed, prediction)  
    results.append(mean_squared_error)

并行代码

import dask
import pandas as pd
from sklearn.metrics import mean_squared_error as mse
filenames = [...]

delayed_results = []
for count, name in enumerate(filenames):
    df = dask.delayed(pd.read_csv)(name)
    prediction = df['Close'][:-1]
    observed = df['Close'][1:]
    mean_squared_error = dask.delayed(mse)(observed, prediction)
    delayed_results.append(mean_squared_error)

results = dask.compute(*delayed_results)