パンダの操作中の進行状況インジケーター

1,500万行を超えるデータフレームでパンダ操作を定期的に実行しており、特定の操作の進行状況インジケーターにアクセスしたいです。

パンダのsplit-apply-combine操作のテキストベースの進行状況インジケーターはありますか？

たとえば、次のようなものです。

df_users.groupby(['userID', 'requestDate']).apply(feature_rollup)

どこfeature_rollup多くのDF列を取るやや関与関数であり、様々な方法で新しいユーザー列を作成します。大きなデータフレームの場合、これらの操作にはしばらく時間がかかる可能性があるため、進行状況を更新するiPythonノートブックでテキストベースの出力が可能かどうかを知りたいです。

これまでのところ、Pythonの標準ループ進捗インジケーターを試しましたが、意味のある方法でパンダと相互作用しません。

私がパンダのライブラリ/ドキュメントで見落としてきた、split-apply-combineの進行状況を知ることができるものがあることを願っています。単純な実装では、apply関数が動作しているデータフレームサブセットの総数を調べて、それらのサブセットの完了した部分として進行状況を報告します。

これはおそらくライブラリに追加する必要があるものですか？

の要望により、のtqdmサポートが追加されましたpandas。他の回答とは異なり、これはパンダを著しく遅くすることはありません -以下に例を示しDataFrameGroupBy.progress_applyます：

import pandas as pd
import numpy as np
from tqdm import tqdm
# from tqdm.auto import tqdm  # for notebooks

df = pd.DataFrame(np.random.randint(0, int(1e8), (10000, 1000)))

# Create and register a new `tqdm` instance with `pandas`
# (can use tqdm_gui, optional kwargs, etc.)
tqdm.pandas()

# Now you can use `progress_apply` instead of `apply`
df.groupby(0).progress_apply(lambda x: x**2)

これがどのように機能するか（そして独自のコールバック用に変更する方法）に興味がある場合は、githubの例、pypiの完全なドキュメントを参照するか、モジュールをインポートして実行してくださいhelp(tqdm)。

編集

元の質問に直接回答するには、以下を置き換えます。

df_users.groupby(['userID', 'requestDate']).apply(feature_rollup)

と：

from tqdm import tqdm
tqdm.pandas()
df_users.groupby(['userID', 'requestDate']).progress_apply(feature_rollup)

注：tqdm <= v4.8：4.8より前のバージョンのtqdmでは、代わりにtqdm.pandas()次のようにする必要があります。

from tqdm import tqdm, tqdm_pandas
tqdm_pandas(tqdm())

ジェフの答えを微調整する（そしてこれを再利用可能な関数として持つ）。

def logged_apply(g, func, *args, **kwargs):
    step_percentage = 100. / len(g)
    import sys
    sys.stdout.write('apply progress:   0%')
    sys.stdout.flush()

    def logging_decorator(func):
        def wrapper(*args, **kwargs):
            progress = wrapper.count * step_percentage
            sys.stdout.write('\033[D \033[D' * 4 + format(progress, '3.0f') + '%')
            sys.stdout.flush()
            wrapper.count += 1
            return func(*args, **kwargs)
        wrapper.count = 0
        return wrapper

    logged_func = logging_decorator(func)
    res = g.apply(logged_func, *args, **kwargs)
    sys.stdout.write('\033[D \033[D' * 4 + format(100., '3.0f') + '%' + '\n')
    sys.stdout.flush()
    return res

注：適用の進捗率はインラインで更新されます。関数が標準出力の場合、これは機能しません。

In [11]: g = df_users.groupby(['userID', 'requestDate'])

In [12]: f = feature_rollup

In [13]: logged_apply(g, f)
apply progress: 100%
Out[13]: 
...

通常どおり、これをメソッドとしてgroupbyオブジェクトに追加できます。

from pandas.core.groupby import DataFrameGroupBy
DataFrameGroupBy.logged_apply = logged_apply

In [21]: g.logged_apply(f)
apply progress: 100%
Out[21]: 
...

コメントで述べたように、これはコアパンダが実装に関心を持っている機能ではありません。しかし、Pythonを使用すると、多くのパンダオブジェクト/メソッドに対してこれらを作成できます（これを行うと、かなりの作業になります...このアプローチを一般化できるはずです）。

私がしたように、Jupyter / ipythonノートブックでこれを使用する方法のサポートが必要な場合は、関連する記事への役立つガイドとソースを以下に示します。

from tqdm._tqdm_notebook import tqdm_notebook
import pandas as pd
tqdm_notebook.pandas()
df = pd.DataFrame(np.random.randint(0, int(1e8), (10000, 1000)))
df.groupby(0).progress_apply(lambda x: x**2)

のimportステートメントの下線に注意してください_tqdm_notebook。参考記事にあるように、開発はベータ段階の後半です。

カスタムの並列pandas-applyコードにtqdmを適用したいと考えている人のために。

（私は何年にもわたっていくつかのライブラリーを並列化のために試しましたが、主に適用機能のための100％並列化ソリューションを見つけることができなかったため、常に「手動」のコードに戻らなければなりませんでした。）

df_multi_core-これはあなたが呼び出すものです。それは受け入れます：

1. あなたのdfオブジェクト
2. 呼び出したい関数名
3. 関数を実行できる列のサブセット（時間/メモリの削減に役立ちます）
4. 並行して実行するジョブの数（-1またはすべてのコアで省略）
5. dfの関数が受け入れる他のクワーグ（「軸」など）

_df_split-これは、実行中のモジュールにグローバルに配置する必要がある内部ヘルパー関数です（Pool.mapは「配置依存」）。それ以外の場合は、内部的に配置します。

これが私の要点のコードです（ここにパンダ関数テストを追加します）：

import pandas as pd
import numpy as np
import multiprocessing
from functools import partial

def _df_split(tup_arg, **kwargs):
    split_ind, df_split, df_f_name = tup_arg
    return (split_ind, getattr(df_split, df_f_name)(**kwargs))

def df_multi_core(df, df_f_name, subset=None, njobs=-1, **kwargs):
    if njobs == -1:
        njobs = multiprocessing.cpu_count()
    pool = multiprocessing.Pool(processes=njobs)

    try:
        splits = np.array_split(df[subset], njobs)
    except ValueError:
        splits = np.array_split(df, njobs)

    pool_data = [(split_ind, df_split, df_f_name) for split_ind, df_split in enumerate(splits)]
    results = pool.map(partial(_df_split, **kwargs), pool_data)
    pool.close()
    pool.join()
    results = sorted(results, key=lambda x:x[0])
    results = pd.concat([split[1] for split in results])
    return results

以下は、tqdm "progress_apply"を使用した並列化適用のテストコードです。

from time import time
from tqdm import tqdm
tqdm.pandas()

if __name__ == '__main__': 
    sep = '-' * 50

    # tqdm progress_apply test      
    def apply_f(row):
        return row['c1'] + 0.1
    N = 1000000
    np.random.seed(0)
    df = pd.DataFrame({'c1': np.arange(N), 'c2': np.arange(N)})

    print('testing pandas apply on {}\n{}'.format(df.shape, sep))
    t1 = time()
    res = df.progress_apply(apply_f, axis=1)
    t2 = time()
    print('result random sample\n{}'.format(res.sample(n=3, random_state=0)))
    print('time for native implementation {}\n{}'.format(round(t2 - t1, 2), sep))

    t3 = time()
    # res = df_multi_core(df=df, df_f_name='apply', subset=['c1'], njobs=-1, func=apply_f, axis=1)
    res = df_multi_core(df=df, df_f_name='progress_apply', subset=['c1'], njobs=-1, func=apply_f, axis=1)
    t4 = time()
    print('result random sample\n{}'.format(res.sample(n=3, random_state=0)))
    print('time for multi core implementation {}\n{}'.format(round(t4 - t3, 2), sep))

出力には、並列化なしで実行する場合の1つの進行状況バーと、並列化ありで実行する場合のコアごとの進行状況バーが表示されます。わずかな問題があり、残りのコアが同時に表示されることもありますが、それでもコアあたりの進行状況の統計（it / secと合計レコードなど）を取得できるので便利だと思います

この素晴らしいライブラリをありがとう@abcdaa！

あなたはデコレータでこれを簡単に行うことができます

from functools import wraps 

def logging_decorator(func):

    @wraps
    def wrapper(*args, **kwargs):
        wrapper.count += 1
        print "The function I modify has been called {0} times(s).".format(
              wrapper.count)
        func(*args, **kwargs)
    wrapper.count = 0
    return wrapper

modified_function = logging_decorator(feature_rollup)

次に、modified_functionを使用します（印刷するときに変更します）。

合計を含めるようにJeffの回答を変更しました。これにより、進捗状況と変数を追跡して、X回の反復ごとに出力することができます（「print_at」が適度に高い場合、これにより実際にパフォーマンスが大幅に向上します）。

def count_wrapper(func,total, print_at):

    def wrapper(*args):
        wrapper.count += 1
        if wrapper.count % wrapper.print_at == 0:
            clear_output()
            sys.stdout.write( "%d / %d"%(calc_time.count,calc_time.total) )
            sys.stdout.flush()
        return func(*args)
    wrapper.count = 0
    wrapper.total = total
    wrapper.print_at = print_at

    return wrapper

clear_output（）関数は

from IPython.core.display import clear_output

IPythonにない場合、Andy Haydenの答えはそれなしでそれを行います