在将结果附加到字典的 for 循环上使用 python 多处理

Question

因此，我查看了多处理模块的文档以及此处提出的其他问题，但似乎没有一个与我的情况相似，因此我提出了一个新问题。

为简单起见，我有一段代码如下：

# simple dataframe of some users and their properties.
data = {'userId': [1, 2, 3, 4],
        'property': [12, 11, 13, 43]}
df = pd.DataFrame.from_dict(data)

# a function that generates permutations of the above users, in the form of a list of lists
# such as [[1,2,3,4], [2,1,3,4], [2,3,4,1], [2,4,1,3]]
user_perm = generate_permutations(nr_perm=4)

# a function that computes some relation between users
def comp_rel(df, permutation, user_dict):
    df1 = df.userId.isin(permutation[0])
    df2 = df.userId.isin(permutation[1])
    user_dict[permutation[0]] += permutation[1]
    return user_dict


# and finally a loop: 
user_dict = defaultdict(int)
for permutation in user_perm:
    user_dict = comp_rel(df, permutation, user_dict)    

我知道这段代码现在没有什么意义（如果有的话），但我只是写了一个小例子，它与我正在处理的实际代码的结构很接近。 user_dict 最终应该包含 userIds 和一些值。

我有实际的代码，它工作正常，给出了正确的 dict 和所有内容，但是......它在单个线程上运行。而且它非常缓慢，请记住我还有另外 15 个线程完全免费。

我的问题是，如何使用 python 的 multiprocessing 模块来更改最后一个 for 循环，并能够在所有可用的线程/内核上运行？看了文档，不是很容易理解。

编辑：我正在尝试将池用作：

p = multiprocessing.Pool(multiprocessing.cpu_count())
p.map(comp_rel(df, permutation, user_dict), user_perm)
p.close()
p.join()

但是这会中断，因为我正在使用该行：

user_dict = comp_rel(df, permutation, user_dict) 

在初始代码中，我不知道池完成后应该如何合并这些字典。

Answer 1

comp_rel 有两部分需要分开 - 首先是计算本身，它正在计算某些用户 ID 的一些值。第二个是“累积”步骤，该步骤将该值添加到user_dict 结果中。

您可以将计算本身分离，使其返回一个 (id, value) 的元组并通过多处理将其分流，然后在主线程中随后累积结果：

from multiprocessing import Pool
from functools import partial
from collections import defaultdict

# We make this a pure function that just returns a result instead of mutating anything
def comp_rel(df, perm):
    ...
    return perm[0], perm[1]

comp_with_df = partial(comp_rel, df) # df is always the same, so factor it out
with Pool(None) as pool: # Pool(None) uses cpu_count automatically
    results = pool.map(comp_with_df, user_perm)

# Now add up the results at the end:
user_dict = defaultdict(int)
for k, v in results:
    user_dict[k] += v

或者，您也可以将Manager().dict() 对象直接传递给处理函数，但这有点复杂，并且可能不会为您带来任何额外的速度。

---

根据@Masklinn 的建议，这里有一个更好的方法来避免内存开销：

user_dict = defaultdict(int)
with Pool(None) as pool:
    for k, v in pool.imap_unordered(comp_with_df, user_perm):
        user_dict[k] += v

这样，我们在结果完成时将它们加起来，而不必先将它们全部存储在中间列表中。

Answer 2

在 cmets 进行简短讨论后，我决定使用 ProcessPoolExecutor 发布解决方案：

import concurrent.futures
from collections import defaultdict

def comp_rel(df, perm):
    ...
    return perm[0], perm[1]

user_dict = defaultdict(int)
with concurrent.futures.ProcessPoolExecutor() as executor:
    futures = {executor.submit(comp_rel, df, perm): perm for perm in user_perm}
    for future in concurrent.futures.as_completed(futures):
        try:
            k, v = future.result()
        except Exception as e:
            print(f"{futures[future]} throws {e}")
        else:
            user_dict[k] += v

它与@tzaman 的工作方式相同，但它使您可以处理异常。此模块还有更多有趣的功能，请查看docs。