有輕功：用3行代碼讓Python數據處理腳本獲得4倍提速

來自專欄景略集智97 人贊了文章

Python是一門非常適合處理數據和自動化完成重複性工作的編程語言，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鬆完成數據處理工作的Python庫。

然而，雖然Python易於學習，使用方便，但它並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幹！

今天我（作者Adam Geitgey——譯者注）就教大家怎樣通過並行運行Python函數，充分利用你的電腦的全部處理能力。得益於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並行處理數據的腳本，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，然後用Pillow圖像處理庫為每張圖像保存大小為128像素的縮略圖：

import globimport osfrom PIL import Imagedef make_image_thumbnail(filename): # 縮略圖會被命名為"<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}")

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.pyA thumbnail for 1430028941_4db9dedd10.jpg was saved as 1430028941_4db9dedd10_thumbnail.jpg[... about 1000 more lines of output ...]real 0m8.956suser 0m7.086ssys 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%的處理資源處於閑置狀態！這是什麼情況？

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個我能並行處理的單獨部分。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並行處理數據的方法：

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部分的處理結果合併，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。

最後一步是讓創建的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、運行子進程以及合併結果等。幹得漂亮！

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。

這裡是經過這三步改動後的程序代碼：

import globimport osfrom PIL import Imageimport concurrent.futuresdef make_image_thumbnail(filename): # 縮略圖會被命名為 "<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.pyA thumbnail for 1430028941_4db9dedd10.jpg was saved as 1430028941_4db9dedd10_thumbnail.jpg[... about 1000 more lines of output ...]real 0m2.274suser 0m8.959ssys 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，但不知怎麼搞得運行時間還是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佔用時間，因此靠這個方法並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，這裡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，並且每個數據都能單獨處理時，使用我們這裡所說的Process Pools是一個提速的好方法。下面是一些適合使用並行處理的例子：

• 從一系列單獨的網頁伺服器日誌里抓取統計數據。
• 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並不是萬能的。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知道怎麼應對的類型。

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代碼並不能真正地並行運行，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並行處理的Python代碼！

不要害怕並行處理！

有了concurrent.futures庫，Python就能讓你簡簡單單地修改一下腳本後，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。

參考資料：medium.com

限時折扣中：0806期《人工智慧-從零開始到精通》（還有少量200優惠券）