python 中的多处理-在多个进程之间共享大对象（例如 pandas 数据框）-IT科技

摘要：问题描述：我正在使用 Python 多处理，更准确地说from multiprocessing import Pool p = Pool(15) args = [(df, config1), (df, config2), ...] #list of args - df is the same object ...

问题描述：

我正在使用 Python 多处理，更准确地说

from multiprocessing import Pool
p = Pool(15)

args = [(df, config1), (df, config2), ...] #list of args - df is the same object in each tuple
res = p.map_async(func, args) #func is some arbitrary function
p.close()
p.join()

这种方法的内存消耗很大；几乎占用了我所有的内存（此时它变得非常慢，因此使多处理变得毫无用处）。我猜问题是这df是一个巨大的对象（一个大的 pandas 数据框），并且它会被复制到每个进程。我曾尝试使用multiprocessing.Value共享数据框而不进行复制

shared_df = multiprocessing.Value(pandas.DataFrame, df)
args = [(shared_df, config1), (shared_df, config2), ...]

（如Python 多处理共享内存中所建议的那样），但这给了我（与在 Python 进程之间共享复杂对象TypeError: this type has no size相同？，不幸的是我不明白答案）。

我第一次使用多处理，可能我的理解还不够好。multiprocessing.Value在这种情况下，这真的是正确的选择吗？我看过其他建议（例如队列），但现在有点困惑。有哪些选项可以共享内存，在这种情况下哪一个最好？

解决方案 1：

第一个参数Value是typecode_or_type。其定义如下：

typecode_or_type 确定返回对象的类型：它要么是 ctypes 类型，要么是 array 模块使用的类型的一个字符类型代码。 *args 被传递给该类型的构造函数。

重点是我。因此，您根本无法将 pandas 数据框放入中Value，它必须是ctypes 类型。

您也可以使用multiprocessing.Manager为所有进程提供单例数据框实例。有几种不同的方法可以达到相同的效果 - 最简单的方法可能是将您的数据框放入管理器的中Namespace。

from multiprocessing import Manager

mgr = Manager()
ns = mgr.Namespace()
ns.df = my_dataframe

# now just give your processes access to ns, i.e. most simply
# p = Process(target=worker, args=(ns, work_unit))

现在，任何向 Manager 传递引用的进程都可以访问您的数据框实例。或者，只需向传递引用Namespace，这样更简洁。

我没有/不会涉及的一件事是事件和信号 - 如果您的进程需要等待其他进程完成执行，则需要添加它。这里有一个包含一些示例的页面Event，其中还更详细地介绍了如何使用管理器Namespace。

（请注意，这些都不能说明是否multiprocessing会带来切实的性能优势，而只是为您提供了探索该问题的工具）

解决方案 2：

您可以使用Array而不是Value存储数据框。

以下解决方案将pandas数据框转换为将其数据存储在共享内存中的对象：

import numpy as np
import pandas as pd
import multiprocessing as mp
import ctypes

# the origingal dataframe is df, store the columns/dtypes pairs
df_dtypes_dict = dict(list(zip(df.columns, df.dtypes)))

# declare a shared Array with data from df
mparr = mp.Array(ctypes.c_double, df.values.reshape(-1))

# create a new df based on the shared array
df_shared = pd.DataFrame(np.frombuffer(mparr.get_obj()).reshape(df.shape),
                         columns=df.columns).astype(df_dtypes_dict)

如果您现在df_shared跨进程共享，则不会进行额外复制。对于您的情况：

pool = mp.Pool(15)

def fun(config):
    # df_shared is global to the script
    df_shared.apply(config)  # whatever compute you do with df/config

config_list = [config1, config2]
res = p.map_async(fun, config_list)
p.close()
p.join()

如果你使用pandarallel这也特别有用，例如：

# this will not explode in memory
from pandarallel import pandarallel
pandarallel.initialize()
df_shared.parallel_apply(your_fun, axis=1)

注意：使用此解决方案，您最终会得到两个数据框（df 和 df_shared），它们消耗两倍的内存，并且初始化时间很长。可能可以直接在共享内存中读取数据。

解决方案 3：

通过创建 data_handler 子进程，您可以在进程之间共享 pandas 数据框，而无需任何内存开销。此进程接收来自其他子进程的调用，这些子进程对非常大的数据框对象具有特定的数据请求（即一行、特定单元格、切片等）。只有 data_handler 进程会将您的数据框保存在内存中，而不像 Namespace 之类的管理器那样会将数据框复制到所有子进程。请参阅下面的工作示例。这可以转换为池。

需要进度条吗？请参阅我的回答：https://stackoverflow.com/a/55305714/11186769

import time
import Queue
import numpy as np
import pandas as pd
import multiprocessing
from random import randint

#==========================================================
# DATA HANDLER
#==========================================================

def data_handler( queue_c, queue_r, queue_d, n_processes ):

    # Create a big dataframe
    big_df = pd.DataFrame(np.random.randint(
        0,100,size=(100, 4)), columns=list('ABCD'))

    # Handle data requests
    finished = 0
    while finished < n_processes:

        try:
            # Get the index we sent in
            idx = queue_c.get(False)

        except Queue.Empty:
            continue
        else:
            if idx == 'finished':
                finished += 1
            else:
                try:
                    # Use the big_df here!
                    B_data = big_df.loc[ idx, 'B' ]

                    # Send back some data
                    queue_r.put(B_data)
                except:
                    pass    

# big_df may need to be deleted at the end. 
#import gc; del big_df; gc.collect()

#==========================================================
# PROCESS DATA
#==========================================================

def process_data( queue_c, queue_r, queue_d):

    data = []

    # Save computer memory with a generator
    generator = ( randint(0,x) for x in range(100) )

    for g in generator:

        """
        Lets make a request by sending
        in the index of the data we want. 
        Keep in mind you may receive another 
        child processes return call, which is
        fine if order isnt important.
        """

        #print(g)

        # Send an index value
        queue_c.put(g)

        # Handle the return call
        while True:
            try:
                return_call = queue_r.get(False)
            except Queue.Empty:
                continue
            else:
                data.append(return_call)
                break

    queue_c.put('finished')
    queue_d.put(data)   

#==========================================================
# START MULTIPROCESSING
#==========================================================

def multiprocess( n_processes ):

    combined  = []
    processes = []

    # Create queues
    queue_data = multiprocessing.Queue()
    queue_call = multiprocessing.Queue()
    queue_receive = multiprocessing.Queue()

    for process in range(n_processes): 

        if process == 0:

                # Load your data_handler once here
                p = multiprocessing.Process(target = data_handler,
                args=(queue_call, queue_receive, queue_data, n_processes))
                processes.append(p)
                p.start()

        p = multiprocessing.Process(target = process_data,
        args=(queue_call, queue_receive, queue_data))
        processes.append(p)
        p.start()

    for i in range(n_processes):
        data_list = queue_data.get()    
        combined += data_list

    for p in processes:
        p.join()    

    # Your B values
    print(combined)


if __name__ == "__main__":

    multiprocess( n_processes = 4 )

解决方案 4：

至少Python 3.6支持将 pandas DataFrame 存储为 multiprocessing.Value。请参阅以下工作示例：

import ctypes
import pandas as pd
from multiprocessing import Value

df = pd.DataFrame({'a': range(0,9),
                   'b': range(10,19),
                   'c': range(100,109)})

k = Value(ctypes.py_object)
k.value = df

print(k.value)

解决方案 5：

我很惊讶joblib 的 Parallel（至少从 1.0.1 开始）已经支持开箱即用地与多进程工作程序共享 pandas 数据框。至少使用“loky”后端。我通过实验得出了一个结论：传递给函数的参数不应包含任何大型字典。如果包含，请将字典转换为 Series 或 Dataframe。每个工作程序肯定会使用一些额外的内存，但比主进程中所谓的“大”数据框的大小要少得多。并且所有工作程序都会立即开始计算。否则，joblib 会启动您请求的所有工作程序，但它们会处于空闲状态，而对象会按顺序复制到每个工作程序中，这需要很长时间。如果有人需要，我可以提供代码示例。我已经测试了仅以只读模式处理数据框。文档中没有提到该功能，但它适用于 Pandas。