Python是一門非常適合處理數據和自動化完成重復性工作的編程語言,我們在用數據訓練機器學習模型之前,通常都需要對數據進行預處理,而Python就非常適合完成這項工作,比如需要重新調整幾十萬張圖像的尺寸,用Python沒問題!你幾乎總是能找到一款可以輕松完成數據處理工作的Python庫。
然而,雖然Python易于學習,使用方便,但它并非運行速度最快的語言。默認情況下,Python程序使用一個CPU以單個進程運行。不過如果你是在最近幾年配置的電腦,通常都是四核處理器,也就是有4個CPU。這就意味著在你苦苦等待Python腳本完成數據處理工作時,你的電腦其實有75%甚至更多的計算資源就在那閑著沒事干!
今天就教大家怎樣通過并行運行Python函數,充分利用你的電腦的全部處理能力。得益于Python的 concurrent.futures 模塊,我們只需3行代碼,就能將一個普通數據處理腳本變為能并行處理數據的腳本,提速4倍。
普通Python處理數據方法
比方說,我們有一個全是圖像數據的文件夾,想用Python為每張圖像創建縮略圖。
下面是一個短暫的腳本,用Python的內置glob函數獲取文件夾中所有JPEG圖像的列表,然后用Pillow圖像處理庫為每張圖像保存大小為128像素的縮略圖:
import glob
import os
from PIL import Image
def make_image_thumbnail(filename):
# 縮略圖會被命名為"
_thumbnail.jpg"
base_filename, file_extension = os.path.splitext(filename)
thumbnail_filename = f"{base_filename}_thumbnail{file_extension}"
# 創建和保存縮略圖
image = Image.open(filename)
image.thumbnail(size=(128, 128))
image.save(thumbnail_filename, "JPEG")
return thumbnail_filename
# 循環文件夾中所有JPEG圖像,為每張圖像創建縮略圖
for image_file in glob.glob("*.jpg"):
thumbnail_file = make_image_thumbnail(image_file)
print(f"A thumbnail for {image_file} was saved as {thumbnail_file}")
在學習過程中有什么不懂得可以加我的
python學習交流扣扣qun,784758214
群里有不錯的學習視頻教程、開發工具與電子書籍。
與你分享python企業當下人才需求及怎么從零基礎學習好python,和學習什么內容
這段腳本沿用了一個簡單的模式,你會在數據處理腳本中經常見到這種方法:
- 首先獲得你想處理的文件(或其它數據)的列表
- 寫一個輔助函數,能夠處理上述文件的單個數據
- 使用for循環調用輔助函數,處理每一個單個數據,一次一個。
咱們用一個包含1000張JPEG圖像的文件夾測試一下這段腳本,看看運行完要花多長時間:
$ time python3 thumbnails_1.py
A thumbnail for 1430028941_4db9dedd10.jpg was saved as 1430028941_4db9dedd10_thumbnail.jpg
[... about 1000 more lines of output ...]
real 0m8.956s
user 0m7.086s
sys 0m0.743s
運行程序花了8.9秒,但是電腦的真實工作強度怎樣呢?
我們再運行一遍程序,看看程序運行時的活動監視器情況:
電腦有75%的處理資源處于閑置狀態!這是什么情況?
這個問題的原因就是我的電腦有4個CPU,但Python只使用了一個。所以程序只是卯足了勁用其中一個CPU,另外3個卻無所事事。因此我需要一種方法能將工作量分成4個我能并行處理的單獨部分。幸運的是,Python中有個方法很容易能讓我們做到!
試試創建多進程
下面是一種可以讓我們并行處理數據的方法:
1.將JPEG文件劃分為4小塊。
2.運行Python解釋器的4個單獨實例。
3.讓每個Python實例處理這4塊數據中的一塊。
4.將這4部分的處理結果合并,獲得結果的最終列表。
4個Python拷貝程序在4個單獨的CPU上運行,處理的工作量應該能比一個CPU大約高出4倍,對吧?
最妙的是,Python已經替我們做完了最麻煩的那部分工作。我們只需告訴它想運行哪個函數以及使用多少實例就行了,剩下的工作它會完成。整個過程我們只需要改動3行代碼。
首先,我們需要導入concurrent.futures庫,這個庫就內置在Python中:
import concurrent.futures
接著,我們需要告訴Python啟動4個額外的Python實例。我們通過讓Python創建一個Process Pool來完成這一步:
with concurrent.futures.ProcessPoolExecutor() as executor:
默認情況下,它會為你電腦上的每個CPU創建一個Python進程,所以如果你有4個CPU,就會啟動4個Python進程。
最后一步是讓創建的Process Pool用這4個進程在數據列表上執行我們的輔助函數。完成這一步,我們要將已有的for循環:
for image_file in glob.glob("*.jpg"):
thumbnail_file = make_image_thumbnail(image_file)
替換為新的調用executor.map():
image_files = glob.glob("*.jpg")for image_file, thumbnail_file in zip(image_files, executor.map(make_image_thumbnail, image_files)):
該executor.map()函數調用時需要輸入輔助函數和待處理的數據列表。這個函數能幫我完成所有麻煩的工作,包括將列表分為多個子列表、將子列表發送到每個子進程、運行子進程以及合并結果等。干得漂亮!
這也能為我們返回每個函數調用的結果。Executor.map()函數會按照和輸入數據相同的順序返回結果。所以我用了Python的zip()函數作為捷徑,一步獲取原始文件名和每一步中的匹配結果。
這里是經過這三步改動后的程序代碼:
import glob
import os
from PIL import Image
import concurrent.futures
def make_image_thumbnail(filename):
# 縮略圖會被命名為 "
_thumbnail.jpg"
base_filename, file_extension = os.path.splitext(filename)
thumbnail_filename = f"{base_filename}_thumbnail{file_extension}"
# 創建和保存縮略圖
image = Image.open(filename)
image.thumbnail(size=(128, 128))
image.save(thumbnail_filename, "JPEG")
return thumbnail_filename
# 創建Process Pool,默認為電腦的每個CPU創建一個
with concurrent.futures.ProcessPoolExecutor() as executor:
# 獲取需要處理的文件列表
image_files = glob.glob("*.jpg")
# 處理文件列表,但通過Process Pool劃分工作,使用全部CPU!
for image_file, thumbnail_file in zip(image_files, executor.map(make_image_thumbnail, image_files)):
print(f"A thumbnail for {image_file} was saved as {thumbnail_file}")
我們來運行一下這段腳本,看看它是否以更快的速度完成數據處理:
$ time python3 thumbnails_2.py
A thumbnail for 1430028941_4db9dedd10.jpg was saved as 1430028941_4db9dedd10_thumbnail.jpg
[... about 1000 more lines of output ...]
real 0m2.274s
user 0m8.959s
sys 0m0.951s
腳本在2.2秒就處理完了數據!比原來的版本提速4倍!之所以能更快的處理數據,是因為我們使用了4個CPU而不是1個。
但是如果你仔細看看,會發現“用戶”時間幾乎為9秒。那為何程序處理時間為2.2秒,但不知怎么搞得運行時間還是9秒?這似乎不太可能啊?
這是因為“用戶”時間是所有CPU時間的總和,我們最終完成工作的CPU時間總和一樣,都是9秒,但我們使用4個CPU完成的,實際處理數據時間只有2.2秒!
注意 :啟用更多Python進程以及給子進程分配數據都會占用時間,因此靠這個方法并不能保證總是能大幅提高速度。如果你要處理非常大的數據集,這里有篇設置將數據集切分成多少小塊的**文章**,可以讀讀,會對你幫助甚大.
這種方法總能幫我的數據處理腳本提速嗎?
如果你有一列數據,并且每個數據都能單獨處理時,使用我們這里所說的Process Pools是一個提速的好方法。下面是一些適合使用并行處理的例子:
- 從一系列單獨的網頁服務器日志里抓取統計數據。
- 從一堆XML,CSV和JSON文件中解析數據。
- 對大量圖片數據做預處理,建立機器學習數據集。
但也要記住,Process Pools并不是萬能的。使用Process Pool需要在獨立的Python處理進程之間來回傳遞數據。如果你要處理的數據不能在處理過程中被有效地傳遞,這種方法就行不通了。簡而言之,你處理的數據必須是Python知道怎么應對的類型。
同時,也無法按照一個預想的順序處理數據。如果你需要前一步的處理結果來進行下一步,這種方法也行不通。
那GIL的問題呢?
你可能知道Python有個叫全局解釋器鎖(Global Interpreter Lock)的東西,即GIL。這意味著即使你的程序是多線程的,每個線程也只能執行一個Python指令。GIL確保任何時候都只有一個Python線程執行。換句話說,多線程的Python代碼并不能真正地并行運行,從而無法充分利用多核CPU。
但是Process Pool能解決這個問題!因為我們是運行單獨的Python實例,每個實例都有自己的GIL。這樣我們獲得是真正能并行處理的Python代碼!
如果你依然在編程的世界里迷茫,可以加入我們的Python學習扣qun:784758214,看看前輩們是如何學習的。交流經驗。從基礎的python腳本到web開發、爬蟲、django、數據挖掘等,零基礎到項目實戰的資料都有整理。送給每一位python的小伙伴!分享一些學習的方法和需要注意的小細節,點擊加入我們的 python學習者聚集地
不要害怕并行處理!
有了concurrent.futures庫,Python就能讓你簡簡單單地修改一下腳本后,立刻讓你電腦上所有CPU投入到工作中。不要害怕嘗試這種方法,一旦你掌握了,它就跟一個for循環一樣簡單,卻能讓你的數據處理腳本快到飛起。
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索:z360901061

微信掃一掃加我為好友
QQ號聯系: 360901061
您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。
【本文對您有幫助就好】元
