如何通過python輕松處理大文件

前言

大家好，這里是浩道linux，主要給大家分享linux、python、網(wǎng)絡(luò)通信相關(guān)的IT知識(shí)平臺(tái)。

眾所周知，python除了以簡(jiǎn)潔著稱，其成熟的第三方庫功能也是很強(qiáng)大的，今天浩道帶大家看看如何通過python輕松處理大文件，真讓人直呼yyds。

為了進(jìn)行并行處理，我們將任務(wù)劃分為子單元。它增加了程序處理的作業(yè)數(shù)量，減少了整體處理時(shí)間。

例如，如果你正在處理一個(gè)大的CSV文件，你想修改一個(gè)單列。我們將把數(shù)據(jù)以數(shù)組的形式輸入函數(shù)，它將根據(jù)可用的進(jìn)程數(shù)量，一次并行處理多個(gè)值。這些進(jìn)程是基于你的處理器內(nèi)核的數(shù)量。

在這篇文章中，我們將學(xué)習(xí)如何使用multiprocessing、joblib和tqdm Python包減少大文件的處理時(shí)間。這是一個(gè)簡(jiǎn)單的教程，可以適用于任何文件、數(shù)據(jù)庫、圖像、視頻和音頻。

開始

我們將使用來自 Kaggle 的 US Accidents (2016 - 2021) 數(shù)據(jù)集，它包括280萬條記錄和47個(gè)列。

https://www.kaggle.com/datasets/sobhanmoosavi/us-accidents

我們將導(dǎo)入multiprocessing、joblib和tqdm用于并行處理，pandas用于數(shù)據(jù)導(dǎo)入，re、nltk和string用于文本處理。

# Parallel Computing


import multiprocessing as mp


from joblib import Parallel, delayed


from tqdm.notebook import tqdm


# Data Ingestion 


import pandas as pd


# Text Processing 


import re 


from nltk.corpus import stopwords


import string

在我們開始之前，讓我們通過加倍cpu_count()來設(shè)置n_workers。正如你所看到的，我們有8個(gè)workers。

n_workers = 2 * mp.cpu_count()


print(f"{n_workers} workers are available")


>>> 8 workers are available

下一步，我們將使用pandas read_csv函數(shù)讀取大型CSV文件。然后打印出dataframe的形狀、列的名稱和處理時(shí)間。

%%time
file_name="../input/us-accidents/US_Accidents_Dec21_updated.csv"
df = pd.read_csv(file_name)


print(f"Shape:{df.shape}

Column Names:
{df.columns}
")

輸出：

Shape:(2845342,47)


Column Names:


Index(['ID', 'Severity', 'Start_Time', 'End_Time', 'Start_Lat', 'Start_Lng',
'End_Lat', 'End_Lng', 'Distance(mi)', 'Description', 'Number', 'Street',
'Side', 'City', 'County', 'State', 'Zipcode', 'Country', 'Timezone',
'Airport_Code', 'Weather_Timestamp', 'Temperature(F)', 'Wind_Chill(F)',
'Humidity(%)', 'Pressure(in)', 'Visibility(mi)', 'Wind_Direction',
'Wind_Speed(mph)', 'Precipitation(in)', 'Weather_Condition', 'Amenity',
'Bump', 'Crossing', 'Give_Way', 'Junction', 'No_Exit', 'Railway',
'Roundabout', 'Station', 'Stop', 'Traffic_Calming', 'Traffic_Signal',
'Turning_Loop', 'Sunrise_Sunset', 'Civil_Twilight', 'Nautical_Twilight',
'Astronomical_Twilight'],
dtype='object')


CPU times: user 33.9 s, sys: 3.93 s, total: 37.9 s
Wall time: 46.9 s

處理文本

clean_text是一個(gè)用于處理文本的簡(jiǎn)單函數(shù)。我們將使用nltk.copus獲得英語停止詞，并使用它來過濾掉文本行中的停止詞。之后，我們將刪除句子中的特殊字符和多余的空格。它將成為確定串行、并行和批處理的處理時(shí)間的基準(zhǔn)函數(shù)。

def clean_text(text): 
  # Remove stop words
  stops = stopwords.words("english")
  text = " ".join([word for word in text.split() if word 
 not in stops])
  # Remove Special Characters
  text = text.translate(str.maketrans('', '', string.punctuation))
  # removing the extra spaces
  text = re.sub(' +',' ', text)
  return text

串行處理

對(duì)于串行處理，我們可以使用pandas的.apply()函數(shù)，但是如果你想看到進(jìn)度條，你需要為pandas激活tqdm，然后使用.progress_apply()函數(shù)。

我們將處理280萬條記錄，并將結(jié)果保存回 “Description” 列中。

%%time
tqdm.pandas()


df['Description'] = df['Description'].progress_apply(clean_text)

輸出

高端處理器串行處理280萬行花了9分5秒。

100%  2845342/2845342 [09:05<00:00, 5724.25it/s]


CPU times: user 8min 14s, sys: 53.6 s, total: 9min 7s
Wall time: 9min 5s

多進(jìn)程處理

有多種方法可以對(duì)文件進(jìn)行并行處理，我們將了解所有這些方法。multiprocessing是一個(gè)內(nèi)置的python包，通常用于并行處理大型文件。

我們將創(chuàng)建一個(gè)有8個(gè)workers的多處理池，并使用map函數(shù)來啟動(dòng)進(jìn)程。為了顯示進(jìn)度條，我們將使用tqdm。

map函數(shù)由兩部分組成。第一個(gè)部分需要函數(shù)，第二個(gè)部分需要一個(gè)參數(shù)或參數(shù)列表。

%%time
p = mp.Pool(n_workers) 


df['Description'] = p.map(clean_text,tqdm(df['Description']))

輸出

我們的處理時(shí)間幾乎提高了3倍。處理時(shí)間從9分5秒下降到3分51秒。

100%  2845342/2845342 [02:58<00:00, 135646.12it/s]


CPU times: user 5.68 s, sys: 1.56 s, total: 7.23 s
Wall time: 3min 51s

并行處理

我們現(xiàn)在將學(xué)習(xí)另一個(gè)Python包來執(zhí)行并行處理。在本節(jié)中，我們將使用joblib的Parallel和delayed來復(fù)制map函數(shù)。

Parallel需要兩個(gè)參數(shù)：n_job = 8和backend = multiprocessing。

然后，我們將在delayed函數(shù)中加入clean_text。

創(chuàng)建一個(gè)循環(huán)，每次輸入一個(gè)值。

下面的過程是相當(dāng)通用的，你可以根據(jù)你的需要修改你的函數(shù)和數(shù)組。我曾用它來處理成千上萬的音頻和視頻文件，沒有任何問題。

建議：使用"try: "和"except: "添加異常處理。

def text_parallel_clean(array):
  result = Parallel(n_jobs=n_workers,backend="multiprocessing")(
  delayed(clean_text)
  (text) 
  for text in tqdm(array)
  )
  return result

在text_parallel_clean()中添加“Description”列。

%%time
df['Description'] = text_parallel_clean(df['Description'])

輸出

我們的函數(shù)比多進(jìn)程處理Pool多花了13秒。即使如此，并行處理也比串行處理快4分59秒。

100%  2845342/2845342 [04:03<00:00, 10514.98it/s]


CPU times: user 44.2 s, sys: 2.92 s, total: 47.1 s
Wall time: 4min 4s

并行批量處理

有一個(gè)更好的方法來處理大文件，就是把它們分成若干批，然后并行處理。讓我們從創(chuàng)建一個(gè)批處理函數(shù)開始，該函數(shù)將在單一批次的值上運(yùn)行clean_function。

批量處理函數(shù)

def proc_batch(batch):
  return [
  clean_text(text)
  for text in batch
  ]

將文件分割成批

下面的函數(shù)將根據(jù)workers的數(shù)量把文件分成多個(gè)批次。在我們的例子中，我們得到8個(gè)批次。

def batch_file(array,n_workers):
  file_len = len(array)
  batch_size = round(file_len / n_workers)
  batches = [
  array[ix:ix+batch_size]
  for ix in tqdm(range(0, file_len, batch_size))
  ]
  return batches


batches = batch_file(df['Description'],n_workers)


>>> 100% 8/8 [00:00<00:00, 280.01it/s]

運(yùn)行并行批處理

最后，我們將使用Parallel和delayed來處理批次。

%%time
batch_output = Parallel(n_jobs=n_workers,backend="multiprocessing")(
  delayed(proc_batch)
  (batch) 
  for batch in tqdm(batches)
  )


df['Description'] = [j for i in batch_output for j in i]

輸出

我們已經(jīng)改善了處理時(shí)間。這種技術(shù)在處理復(fù)雜數(shù)據(jù)和訓(xùn)練深度學(xué)習(xí)模型方面非常有名。

100%  8/8 [00:00<00:00, 2.19it/s]


CPU times: user 3.39 s, sys: 1.42 s, total: 4.81 s
Wall time: 3min 56s

tqdm 并發(fā)

tqdm將多處理帶到了一個(gè)新的水平。它簡(jiǎn)單而強(qiáng)大。

process_map需要：

函數(shù)名稱

Dataframe列名

max_workers

chucksize與批次大小類似。我們將用workers的數(shù)量來計(jì)算批處理的大小，或者你可以根據(jù)你的喜好來添加這個(gè)數(shù)字。

%%time
from tqdm.contrib.concurrent import process_map
batch = round(len(df)/n_workers)


df['Description'] = process_map(clean_text,df['Description'], max_workers=n_workers, chunksize=batch)

輸出

通過一行代碼，我們得到了最好的結(jié)果：

100%  2845342/2845342 [03:48<00:00, 1426320.93it/s]


CPU times: user 7.32 s, sys: 1.97 s, total: 9.29 s
Wall time: 3min 51s

結(jié)論

我們需要找到一個(gè)平衡點(diǎn)，它可以是串行處理，并行處理，或批處理。如果你正在處理一個(gè)較小的、不太復(fù)雜的數(shù)據(jù)集，并行處理可能會(huì)適得其反。

在這個(gè)教程中，我們已經(jīng)了解了各種處理大文件的Python包，它們?cè)试S我們對(duì)數(shù)據(jù)函數(shù)進(jìn)行并行處理。

如果你只處理一個(gè)表格數(shù)據(jù)集，并且想提高處理性能，那么建議你嘗試Dask、datatable和RAPIDS。