上記のコメントから、これはpandas
しばらくの間計画されているようです(私が気付いたばかりの興味深い見た目のrosetta
プロジェクトもあります)。
ただし、すべての並列機能がに組み込まれるまでpandas
、+ OpenMPとC ++ をpandas
直接使用して効率的でメモリをコピーしない並列拡張を簡単に作成できることに気付きました。cython
並列groupby-sumを作成する短い例を以下に示します。この使用法は次のようなものです。
import pandas as pd
import para_group_demo
df = pd.DataFrame({'a': [1, 2, 1, 2, 1, 1, 0], 'b': range(7)})
print para_group_demo.sum(df.a, df.b)
出力は次のとおりです。
sum
key
0 6
1 11
2 4
注間違いなく、この単純な例の機能は最終的にの一部になりpandas
ます。ただし、しばらくの間C ++で並列化する方が自然な場合もありpandas
ます。これをに組み合わせるのがいかに簡単かを認識することが重要です。
これを行うために、コードが続く単純な単一ソースファイル拡張を作成しました。
それはいくつかのインポートとタイプ定義から始まります
from libc.stdint cimport int64_t, uint64_t
from libcpp.vector cimport vector
from libcpp.unordered_map cimport unordered_map
cimport cython
from cython.operator cimport dereference as deref, preincrement as inc
from cython.parallel import prange
import pandas as pd
ctypedef unordered_map[int64_t, uint64_t] counts_t
ctypedef unordered_map[int64_t, uint64_t].iterator counts_it_t
ctypedef vector[counts_t] counts_vec_t
C ++ unordered_map
タイプは単一のスレッドによる合計用であり、vector
はすべてのスレッドによる合計用です。
さて、関数へsum
。高速アクセスのための型付きメモリビューから始めます。
def sum(crit, vals):
cdef int64_t[:] crit_view = crit.values
cdef int64_t[:] vals_view = vals.values
関数は、スレッド(ここでは4にハードコードされています)に半等しく分割し、各スレッドにその範囲のエントリを合計させることで続行します。
cdef uint64_t num_threads = 4
cdef uint64_t l = len(crit)
cdef uint64_t s = l / num_threads + 1
cdef uint64_t i, j, e
cdef counts_vec_t counts
counts = counts_vec_t(num_threads)
counts.resize(num_threads)
with cython.boundscheck(False):
for i in prange(num_threads, nogil=True):
j = i * s
e = j + s
if e > l:
e = l
while j < e:
counts[i][crit_view[j]] += vals_view[j]
inc(j)
スレッドが完了すると、関数は(異なる範囲の)すべての結果を1つにマージしますunordered_map
。
cdef counts_t total
cdef counts_it_t it, e_it
for i in range(num_threads):
it = counts[i].begin()
e_it = counts[i].end()
while it != e_it:
total[deref(it).first] += deref(it).second
inc(it)
あとは、を作成しDataFrame
て結果を返すだけです。
key, sum_ = [], []
it = total.begin()
e_it = total.end()
while it != e_it:
key.append(deref(it).first)
sum_.append(deref(it).second)
inc(it)
df = pd.DataFrame({'key': key, 'sum': sum_})
df.set_index('key', inplace=True)
return df