用于写入 csv 的多重处理

Question

我正在尝试将大约 1.46 亿行的巨大数据集写入 CSV。我试过这个：

def paramlist():
    for row in nodes.itertuples():
        l = []
        for row2 in ref_stops.itertuples():
            l.append((row[1], row[2], row[3], row2[1],
                     row2[2], row2[3], row2[4], haversine(row[3], row[2], row2[3], row2[2])))
        yield l

pool = multiprocessing.Pool()
pool.map(func, paramlist())

def func(params):
    with open(r'big_file.csv', 'a') as f:
        writer = csv.writer(f)
        for row in params:
            writer.writerow(row)

这段代码可以工作，但它会耗尽我所有的内存并中止。
我该如何优化它？

Answer 1

pool.map在将部分可迭代对象提交给池中的工作人员之前，将消耗整个可迭代对象。这就是为什么你会出现记忆问题。您应该使用pool.imap它来避免这种情况。请参阅这篇文章以获得完整的解释。

话虽这么说，我真诚地怀疑多处理是否会以您编写的方式加速您的程序，因为瓶颈是磁盘 I/O。一遍又一遍地打开、追加和关闭文件并不比一次顺序写入快。并行写入单个文件是不可能的。

假设 的生成l需要一些时间，如果您像这样编写程序，则可能会加速：

from contextlib import closing
import multiprocessing
import csv
import pandas as pd
import numpy as np

# Just for testing
ref_stops = pd.DataFrame(np.arange(100).reshape((-1, 5)))
nodes = pd.DataFrame(np.arange(400).reshape((-1, 4)))
def haversine(a, b, c, d):
    return a*b*c*d

# This function will be executed by the workers
def join_rows(row):
    row_list = []
    # join row with all rows from `ref_stops` and compute haversine
    for row2 in ref_stops.itertuples():
        row_list.append((row[1], row[2], row[3],
                         row2[1], row2[2], row2[3], row2[4],
                         haversine(row[3], row[2], row2[3], row2[2])))
    return row_list


def main():
    with closing(multiprocessing.Pool()) as pool:
        # joined_rows will contain lists of joined rows in arbitrary order.
        # use name=None so we get proper tuples, pandas named tuples cannot be pickled, see https://github.com/pandas-dev/pandas/issues/11791
        joined_rows = pool.imap_unordered(join_rows, nodes.itertuples(name=None))

        # open file and write out all rows from incoming lists of rows
        with open(r'big_file.csv', 'w') as f:
            writer = csv.writer(f)
            for row_list in joined_rows:
                writer.writerows(row_list)

if __name__ == '__main__':
    main()

我假设你不关心顺序，否则你一开始就不会选择多重处理，对吧？
这样，生成行列表的不是主进程，而是工作进程。一旦一个工作进程完成了一个列表，它就会将其返回到主进程，然后主进程会将其条目附加到文件中。然后，工作人员获取一个新行并开始构建另一个列表。

一般来说，在程序中使用更多 pandas 功能可能会更好（我假设您因为 原因而使用 pandas 数据帧itertuples）。例如，您可以创建一个新的 Dataframe 而不是行列表，并haversine与pandas.Series对象兼容，这样您就不必在每个条目上调用它。