Python數據預處理：使用Dask和Numba并行化加速
如果你善于使用Pandas變換數據、創建特征以及清洗數據等，那么你就能夠輕松地使用Dask和Numba并行加速你的工作。單純從速度上比較，Dask完勝Python，而Numba打敗Dask，那么Numba+Dask基本上算是無敵的存在。
將數值計算分成Numba sub-function和使用Dask map_partition+apply，而不是使用Pandas。對于100萬行數據，使用Pandas方法和混合數值計算創建新特征的速度比使用Numba+Dask方法的速度要慢許多倍。
Python：60.9x | Dask：8.4x | Numba：5.8x |Numba+Dask：1x
作為舊金山大學的一名數據科學碩士，會經常跟數據打交道。使用Apply函數是我用來創建新特征或清理數據的眾多技巧之一。現在，我只是一名數據科學家，而不是計算機科學方面的專家，但我是一個喜歡搗鼓并使得代碼運行更快的程序員。現在，我將會分享我在并行應用上的經驗。
大多Python愛好者可能了解Python實現的全局解釋器鎖(GIL)，GIL會占用計算機中所有的CPU性能。更糟糕的是，我們主要的數據處理包，比如Pandas，很少能實現并行處理代碼。
Apply函數vs Multiprocessing.map
- %time df.some_col.apply(lambda x : clean_transform_kthx(x))
- Wall time: HAH! RIP BUDDY
- # WHY YOU NO RUN IN PARALLEL!?
Tidyverse已經為處理數據做了一些美好的事情，Plyr是我最喜愛的數據包之一，它允許R語言使用者輕松地并行化他們的數據應用。Hadley Wickham說過：
“plyr是一套處理一組問題的工具：需要把一個大的數據結構分解成一些均勻的數據塊，之后對每一數據塊應用一個函數，***將所有結果組合在一起。”
對于Python而言，我希望有類似于plyr這樣的數據包可供使用。然而，目前這樣的數據包還不存在，但我可以使用并行數據包構成一個簡單的解決方案。
Dask
之前在Spark上花費了一些時間，因此當我開始使用Dask時，還是比較容易地掌握其重點內容。Dask被設計成能夠在多核CPU上并行處理任務，此外也借鑒了許多Pandas的語法規則。
現在開始本文所舉例子。對于最近的數據挑戰而言，我試圖獲取一個外部數據源(包含許多地理編碼點)，并將其與要分析的一大堆街區相匹配。在計算歐幾里得距離的同時，使用***啟發式將***值分配給一個街區。
最初的apply：
- my_df.apply(lambda x: nearest_street(x.lat,x.lon),axis=1)
Dask apply:
- dd.from_pandas(my_df,npartitions=nCores).\
- map_partitions(\
- lambda df : df.apply(\
- lambda x : nearest_street(x.lat,x.lon),axis=1)).\
- compute(get=get)
- # imports at the end
二者看起來很相似，apply核心語句是map_partitions，***有一個compute()語句。此外，不得不對npartitions初始化。 分區的工作原理就是將Pandas數據幀劃分成塊，對于我的電腦而言，配置是6核-12線程，我只需告訴它使用的是12分區，Dask就會完成剩下的工作。
接下來，將map_partitions的lambda函數應用于每個分區。由于許多數據處理代碼都是獨立地運行，所以不必過多地擔心這些操作的順序問題。***，compute()函數告訴Dask來處理剩余的事情，并把最終計算結果反饋給我。在這里，compute()調用Dask將apply適用于每個分區，并使其并行處理。
由于我通過迭代行來生成一個新隊列(特征)，而Dask apply只在列上起作用，因此我沒有使用Dask apply，以下是Dask程序：
- from dask import dataframe as dd
- from dask.multiprocessing import get
- from multiprocessing import cpu_count
- nCores = cpu_count()
由于我是根據一些簡單的線性運算(基本上是勾股定理)對數據進行分類，所以認為使用類似下面的Python代碼會運行得更快一些。
- for i in intersections:
- l3 = np.sqrt( (i[0] - [1])**2 + (i[2] - i[3])**2 )
- # ... Some more of these
- dist = l1 + l2
- if dist < (l3 * 1.2):
- matches.append(dist)
- # ... More stuff
- ### you get the idea, there's a for-loop checking to see if
- ### my points are close to my streets and then returning
- closest
- ### I even used numpy, that means fast right?
Broadcasting用以描述Numpy中對兩個形狀不同的矩陣進行數學計算的處理機制。假設我有一個數組，我會通過迭代并逐個變換每個單元格來改變它
- # over one array
- for cell in array:
- cell * CONSTANT - CONSTANT2
- # over two arrays
- for i in range(len(array)):
- array[i] = array[i] + array2[i]
相反，我完全可以跳過for循環，并對整個數組執行操作。Numpy與broadcasting混合使用，用來執行元素智能乘積(對位相乘)。
- # over one array
- (array * CONSTANT) - CONSTANT2
- # over two arrays of same length
- # different lengths follow broadcasting rules
- array = array - array2
Broadcasting可以實現更多的功能，現在看看骨架代碼：
- from numba import jit
- @jit # numba magic
- def some_func()
- l3_arr = np.sqrt( (intersections[:,0] -
- intersections[:,1])**2 +\
- (intersections[:,2] -
- intersections[:,3])**2 )
- # now l3 is an array containing all of my block lengths
- # likewise, l1 and l2 are now equal sized arrays
- # containing distance of point to all intersections
- dist = l1_arr + l2_arr
- match_arr = dist < (l3_arr * 1.2)
- # so instead of iterating, I just immediately compare all
- of my
- # point-to-street distances at once and have a handy
- # boolean index
從本質上講，代碼的功能是改變數組。好的一方面是運行很快，甚至能和Dask并行處理速度比較。其次，如果使用的是最基本的Numpy和Python，那么就可以及時編譯任何函數。壞的一面在于它只適合Numpy和簡單Python語法。我不得不把所有的數值計算從我的函數轉換成子函數，但其計算速度會增加得非常快。
將其一起使用
簡單地使用map_partition()就可以將Numba函數與Dask結合在一起，如果并行操作和broadcasting能夠密切合作以加快運行速度，那么對于大數據集而言，將會看到其運行速度得到大幅提升。
上面的***張圖表明，沒有broadcasting的線性計算其表現不佳，并行處理和Dask對速度提升也有效果。此外，可以明顯地發現，Dask和Numba組合的性能優于其它方法。
上面的第二張圖稍微有些復雜，其橫坐標是對行數取對數。從第二張圖可以發現，對于1k到10k這樣小的數據集，單獨使用Numba的性能要比聯合使用Numba+Dask的性能更好，盡管在大數據集上Numba+Dask的性能非常好。
優化
為了能夠使用Numba編譯JIT，我重寫了函數以更好地利用broadcasting。之后，重新運行這些函數后發現，平均而言，對于相同的代碼，JIT的執行速度大約快了24%。
可以肯定的說，一定有進一步的優化方法使得執行速度更快，但目前沒有發現。Dask是一個非常友好的工具，本文使用Dask+Numba實現的***成果是提升運行速度60倍。如果你知道其它的提升執行速度的技巧，歡迎在留言區分享。
作者信息
Ernest Kim，舊金山大學碩士生，專注于機器學習、數據科學。
