Python多进程处理：如何将大量数据放入有限内存
简介
这是一篇有关如何将大量的数据放入有限的内存中的简略教程。
与客户工作时，有时会发现他们的数据库实际上只是一个csv或Excel文件仓库，你只能将就着用，经常需要在不更新他们的数据仓库的情况下完成工作。大部分情况下，如果将这些文件存储在一个简单的数据库框架中或许更好，但时间可能不允许。这种方法对时间、机器硬件和所处环境都有要求。
下面介绍一个很好的例子：假设有一堆表格（没有使用Neo4j、MongoDB或其他类型的数据库，仅仅使用csvs、tsvs等格式存储的表格），如果将所有表格组合在一起，得到的数据帧太大，无法放入内存。所以第一个想法是：将其拆分成不同的部分，逐个存储。这个方案看起来不错，但处理起来很慢。除非我们使用多核处理器。
目标
这里的目标是从所有职位中（大约1万个），找出相关的的职位。将这些职位与政府给的职位代码组合起来。接着将组合的结果与对应的州（行政单位）信息组合起来。然后用通过word2vec生成的属性信息在我们的客户的管道中增强已有的属性。
这个任务要求在短时间内完成，谁也不愿意等待。想象一下，这就像在不使用标准的关系型数据库的情况下进行多个表的连接。
数据
职位数据
| referencenumber | title | postdate | url | company | city | state | description | |||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1652398203 | Sales Associate | 2014-07-09 13:47:18 | URL link | Company Name | City | State | Our Sales Associates are… |
“表格太长，请到原文查看。”
标题数据
| ID | Title |
|---|---|
| 82 | Pediatricians, General |
OES数据
| area | area_title | area_type | naics | naics_title | own_code | 后略… |
|---|---|---|---|---|---|---|
| 99 | U.S. | 1 | 000000 | Cross-industry | 1235 | 00-0000 |
“表格太长，请到原文查看。”
SOC表
| 2010 SOC Code | 2010 SOC Title | 2010 SOC Direct Match Title | llustrative Example |
|---|---|---|---|
| 11-1011 | Chief Executives | CEO |
示例脚本
下面的是一个示例脚本，展示了如何使用multiprocessing来在有限的内存空间中加速操作过程。脚本的第一部分是和特定任务相关的，可以自由跳过。请着重关注第二部分，这里侧重的是multiprocessing引擎。
| 1234567891011121314151617181920212223242526272829303132333435363738394041424344 | #import the necessary packagesimport pandas as pdimport usimport numpy as npfrom multiprocessing import Pool,cpu_count,Queue,Manager # the data in one particular column was number in the form that horrible excel version # of a number where \’12000\’ is \’12,000\’ with that beautiful useless comma in there. # did I mention I excel bothers me?# instead of converting the number right away, we only convert them when we need todef median_maker(column): return np.median([int(x.replace(\’,\’,\’\’)) for x in column]) # dictionary_of_dataframes contains a dataframe with information for each title; e.g title is \’Data Scientist\’# related_title_score_df is the dataframe of information for the title; columns = [\’title\’,\’score\’] ### where title is a similar_title and score is how closely the two are related, e.g. \’Data Analyst\’, 0.871# code_title_df contains columns [\’code\’,\’title\’]# oes_data_df is a HUGE dataframe with all of the Bureau of Labor Statistics(BLS) data for a given time period (YAY FREE DATA, BOO BAD CENSUS DATA!) def job_title_location_matcher(title,location): try: related_title_score_df = dictionary_of_dataframes[title] # we limit dataframe1 to only those related_titles that are above # a previously established threshold related_title_score_df = related_title_score_df[title_score_df[\’score\’]>80] #we merge the related titles with another table and its codes codes_relTitles_scores = pd.merge(code_title_df,related_title_score_df) codes_relTitles_scores = codes_relTitles_scores.drop_duplicates() # merge the two dataframes by the codes merged_df = pd.merge(codes_relTitles_scores, oes_data_df) #limit the BLS data to the state we want all_merged = merged_df[merged_df[\’area_title\’]==str(us.states.lookup(location).name)] #calculate some summary statistics for the time we want group_med_emp,group_mean,group_pct10,group_pct25,group_median,group_pct75,group_pct90 = all_merged[[\’tot_emp\’,\’a_mean\’,\’a_pct10\’,\’a_pct25\’,\’a_median\’,\’a_pct75\’,\’a_pct90\’]].apply(median_maker) row = [title,location,group_med_emp,group_mean,group_pct10,group_pct25, group_median, group_pct75, group_pct90] #convert it all to strings so we can combine them all when writing to file row_string = [str(x) for x in row] return row_string except: # if it doesnt work for a particular title/state just throw it out, there are enough to make this insignificant \’do nothing\’ |
这里发生了神奇的事情：
| 1234567891011121314151617181920212223242526272829303132333435363738394041 | #runs the function and puts the answers in the queuedef worker(row, q): ans = job_title_location_matcher(row[0],row[1]) q.put(ans) # this writes to the file while there are still things that could be in the queue# this allows for multiple processes to write to the same file without blocking eachotherdef listener(q): f = open(filename,\’wb\’) while 1: m = q.get() if m ==\’kill\’: break f.write(\’,\’.join(m) + \’n\’) f.flush() f.close() def main(): #load all your data, then throw out all unnecessary tables/columns filename = \’skill_TEST_POOL.txt\’ #sets up the necessary multiprocessing tasks manager = Manager() q = manager.Queue() pool = Pool(cpu_count() + 2) watcher = pool.map_async(listener,(q,)) jobs = [] #titles_states is a dataframe of millions of job titles and states they were found in for i in titles_states.iloc: job = pool.map_async(worker, (i, q)) jobs.append(job) for job in jobs: job.get() q.put(\’kill\’) pool.close() pool.join() if __name__ == \”__main__\”: main() |
由于每个数据帧的大小都不同（总共约有100Gb），所以将所有数据都放入内存是不可能的。通过将最终的数据帧逐行写入内存，但从来不在内存中存储完整的数据帧。我们可以完成所有的计算和组合任务。这里的“标准方法”是，我们可以仅仅在“job_title_location_matcher”的末尾编写一个“write_line”方法，但这样每次只会处理一个实例。根据我们需要处理的职位/州的数量，这大概需要2天的时间。而通过multiprocessing，只需2个小时。
虽然读者可能接触不到本教程处理的任务环境，但通过multiprocessing，可以突破许多计算机硬件的限制。本例的工作环境是c3.8xl ubuntu ec2，硬件为32核60Gb内存（虽然这个内存很大，但还是无法一次性放入所有数据）。这里的关键之处是我们在60Gb的内存的机器上有效的处理了约100Gb的数据，同时速度提升了约25倍。通过multiprocessing在多核机器上自动处理大规模的进程，可以有效提高机器的利用率。也许有些读者已经知道了这个方法，但对于其他人，可以通过multiprocessing能带来非常大的收益。顺便说一句，这部分是skill assets in the job-market这篇博文的延续。