Python是一門非常適合處理數(shù)據(jù)和自動(dòng)化完成重復(fù)性工作的編程語(yǔ)言，我們?cè)谟脭?shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型之前，通常都需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，而Python就非常適合完成這項(xiàng)工作，比如需要重新調(diào)整幾十萬(wàn)張圖像的尺寸，用Python沒(méi)問(wèn)題！你幾乎總是能找到一款可以輕松完成數(shù)據(jù)處理工作的Python庫(kù)。

然而，雖然Python易于學(xué)習(xí)，使用方便，但它并非運(yùn)行速度最快的語(yǔ)言。默認(rèn)情況下，Python程序使用一個(gè)CPU以單個(gè)進(jìn)程運(yùn)行。不過(guò)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(gè)CPU。這就意味著在你苦苦等待Python腳本完成數(shù)據(jù)處理工作時(shí)，你的電腦其實(shí)有75%甚至更多的計(jì)算資源就在那閑著沒(méi)事干！

今天我（作者Adam Geitgey——譯者注）就教大家怎樣通過(guò)并行運(yùn)行Python函數(shù)，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(gè)普通數(shù)據(jù)處理腳本變?yōu)槟懿⑿刑幚頂?shù)據(jù)的腳本，提速4倍。

普通Python處理數(shù)據(jù)方法

比方說(shuō)，我們有一個(gè)全是圖像數(shù)據(jù)的文件夾，想用Python為每張圖像創(chuàng)建縮略圖。

下面是一個(gè)短暫的腳本，用Python的內(nèi)置glob函數(shù)獲取文件夾中所有JPEG圖像的列表，然后用Pillow圖像處理庫(kù)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(huì)被命名為"<original_filename>_thumbnail.jpg"
     base_filename, file_extension = os.path.splitext(filename)
     thumbnail_filename = f"{base_filename}_thumbnail{file_extension}"

     # 創(chuàng)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(huán)文件夾中所有JPEG圖像，為每張圖像創(chuàng)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}")

這段腳本沿用了一個(gè)簡(jiǎn)單的模式，你會(huì)在數(shù)據(jù)處理腳本中經(jīng)常見到這種方法：

• 首先獲得你想處理的文件（或其它數(shù)據(jù)）的列表
• 寫一個(gè)輔助函數(shù)，能夠處理上述文件的單個(gè)數(shù)據(jù)
• 使用for循環(huán)調(diào)用輔助函數(shù)，處理每一個(gè)單個(gè)數(shù)據(jù)，一次一個(gè)。

咱們用一個(gè)包含1000張JPEG圖像的文件夾測(cè)試一下這段腳本，看看運(yùn)行完要花多長(zhǎng)時(shí)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(yùn)行程序花了8.9秒，但是電腦的真實(shí)工作強(qiáng)度怎樣呢？

我們?cè)龠\(yùn)行一遍程序，看看程序運(yùn)行時(shí)的活動(dòng)監(jiān)視器情況：

電腦有75%的處理資源處于閑置狀態(tài)！這是什么情況？

這個(gè)問(wèn)題的原因就是我的電腦有4個(gè)CPU，但Python只使用了一個(gè)。所以程序只是卯足了勁用其中一個(gè)CPU，另外3個(gè)卻無(wú)所事事。

因此我需要一種方法能將工作量分成4個(gè)我能并行處理的單獨(dú)部分。幸運(yùn)的是，Python中有個(gè)方法很容易能讓我們做到！

試試創(chuàng)建多進(jìn)程

下面是一種可以讓我們并行處理數(shù)據(jù)的方法：

• 將JPEG文件劃分為4小塊。
• 運(yùn)行Python解釋器的4個(gè)單獨(dú)實(shí)例。
• 讓每個(gè)Python實(shí)例處理這4塊數(shù)據(jù)中的一塊。
• 將這4部分的處理結(jié)果合并，獲得結(jié)果的最終列表。

4個(gè)Python拷貝程序在4個(gè)單獨(dú)的CPU上運(yùn)行，處理的工作量應(yīng)該能比一個(gè)CPU大約高出4倍，對(duì)吧？

最妙的是，Python已經(jīng)替我們做完了最麻煩的那部分工作。我們只需告訴它想運(yùn)行哪個(gè)函數(shù)以及使用多少實(shí)例就行了，剩下的工作它會(huì)完成。

整個(gè)過(guò)程我們只需要改動(dòng)3行代碼。

首先，我們需要導(dǎo)入concurrent.futures庫(kù)，這個(gè)庫(kù)就內(nèi)置在Python中：

import concurrent.futures

接著，我們需要告訴Python啟動(dòng)4個(gè)額外的Python實(shí)例。我們通過(guò)讓Python創(chuàng)建一個(gè)Process Pool來(lái)完成這一步：

with concurrent.futures.ProcessPoolExecutor() as executor:

默認(rèn)情況下，它會(huì)為你電腦上的每個(gè)CPU創(chuàng)建一個(gè)Python進(jìn)程，所以如果你有4個(gè)CPU，就會(huì)啟動(dòng)4個(gè)Python進(jìn)程。

最后一步是讓創(chuàng)建的Process Pool用這4個(gè)進(jìn)程在數(shù)據(jù)列表上執(zhí)行我們的輔助函數(shù)。

完成這一步，我們要將已有的for循環(huán)：

for image_file in glob.glob("*.jpg"):
thumbnail_file = make_image_thumbnail(image_file)

替換為新的調(diào)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(shù)調(diào)用時(shí)需要輸入輔助函數(shù)和待處理的數(shù)據(jù)列表。

這個(gè)函數(shù)能幫我完成所有麻煩的工作，包括將列表分為多個(gè)子列表、將子列表發(fā)送到每個(gè)子進(jìn)程、運(yùn)行子進(jìn)程以及合并結(jié)果等。干得漂亮！

這也能為我們返回每個(gè)函數(shù)調(diào)用的結(jié)果。

Executor.map()函數(shù)會(huì)按照和輸入數(shù)據(jù)相同的順序返回結(jié)果。所以我用了Python的zip()函數(shù)作為捷徑，一步獲取原始文件名和每一步中的匹配結(jié)果。

這里是經(jīng)過(guò)這三步改動(dòng)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(huì)被命名為 "<original_filename>_thumbnail.jpg"
      base_filename, file_extension = os.path.splitext(filename)
     thumbnail_filename = f"{base_filename}_thumbnail{file_extension}"
 
     # 創(chuàng)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(chuàng)建Process Pool，默認(rèn)為電腦的每個(gè)CPU創(chuàng)建一個(gè)
 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(guò)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(lái)運(yùn)行一下這段腳本，看看它是否以更快的速度完成數(shù)據(jù)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(shù)據(jù)！比原來(lái)的版本提速4倍！之所以能更快的處理數(shù)據(jù)，是因?yàn)槲覀兪褂昧?個(gè)CPU而不是1個(gè)。

但是如果你仔細(xì)看看，會(huì)發(fā)現(xiàn)“用戶”時(shí)間幾乎為9秒。那為何程序處理時(shí)間為2.2秒，但不知怎么搞得運(yùn)行時(shí)間還是9秒？這似乎不太可能啊？

這是因?yàn)?ldquo;用戶”時(shí)間是所有CPU時(shí)間的總和，我們最終完成工作的CPU時(shí)間總和一樣，都是9秒，但我們使用4個(gè)CPU完成的，實(shí)際處理數(shù)據(jù)時(shí)間只有2.2秒！

注意：啟用更多Python進(jìn)程以及給子進(jìn)程分配數(shù)據(jù)都會(huì)占用時(shí)間，因此靠這個(gè)方法并不能保證總是能大幅提高速度。

這種方法總能幫我的數(shù)據(jù)處理腳本提速嗎？

如果你有一列數(shù)據(jù)，并且每個(gè)數(shù)據(jù)都能單獨(dú)處理時(shí)，使用我們這里所說(shuō)的Process Pools是一個(gè)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(dú)的網(wǎng)頁(yè)服務(wù)器日志里抓取統(tǒng)計(jì)數(shù)據(jù)。
• 從一堆XML，CSV和JSON文件中解析數(shù)據(jù)。
• 對(duì)大量圖片數(shù)據(jù)做預(yù)處理，建立機(jī)器學(xué)習(xí)數(shù)據(jù)集。

但也要記住，Process Pools并不是萬(wàn)能的。使用Process Pool需要在獨(dú)立的Python處理進(jìn)程之間來(lái)回傳遞數(shù)據(jù)。如果你要處理的數(shù)據(jù)不能在處理過(guò)程中被有效地傳遞，這種方法就行不通了。簡(jiǎn)而言之，你處理的數(shù)據(jù)必須是Python知道怎么應(yīng)對(duì)的類型。

同時(shí)，也無(wú)法按照一個(gè)預(yù)想的順序處理數(shù)據(jù)。如果你需要前一步的處理結(jié)果來(lái)進(jìn)行下一步，這種方法也行不通。

那GIL的問(wèn)題呢？

你可能知道Python有個(gè)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(gè)線程也只能執(zhí)行一個(gè)Python指令。GIL確保任何時(shí)候都只有一個(gè)Python線程執(zhí)行。換句話說(shuō)，多線程的Python代碼并不能真正地并行運(yùn)行，從而無(wú)法充分利用多核CPU。

但是Process Pool能解決這個(gè)問(wèn)題！因?yàn)槲覀兪沁\(yùn)行單獨(dú)的Python實(shí)例，每個(gè)實(shí)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！

不要害怕并行處理！

有了concurrent.futures庫(kù)，Python就能讓你簡(jiǎn)簡(jiǎn)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。

以上就是三行Python代碼提高數(shù)據(jù)處理腳本速度的詳細(xì)內(nèi)容，更多關(guān)于Python數(shù)據(jù)處理的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論