我可以异步执行“应用”到 Pandas 数据帧中的函数吗？

Question

我有一个熊猫数据框，在每一行上，我想执行一个函数。但是，该函数包括对远程服务器的 I/O 调用，因此如果我只是使用.apply()数据帧调用它，它会非常慢。

下面是一个例子：

def f(data):
    r = requests.get(data["url"])
    x = process(r.content)
    y = process_2(r.content)
    z = process_3(r.content)
    print("Done")

    return [x, y, z]

df.apply(lambda x: f(x), axis=1)

在这段代码中，问题requests.get(data["url"])需要一段时间，因此整个apply()函数在完成时非常慢。的print()是在时间间隔的几秒钟印刷在控制台上。

是否可以apply()异步执行函数并更快地获得结果？我的数据帧有 5,000 多行，对每个原始数据的函数调用应该需要几秒钟。

Answer 1

使用著名的asyncio + aiohttp库的异步 I/O方法：

演示了示例数据帧和简单的网页内容处理例程（以展示该方法的机制）。
假设我们需要通过所有url计算所有header、link ( <a>) 和span标签，并将结果计数器存储在源数据帧中。

import pandas as pd
import asyncio
import aiohttp
from bs4 import BeautifulSoup


def count_headers(html):
    return len(list(html.select('h1,h2,h3,h4,h5,h6')))

def count_links(html):
    return len(list(html.find_all('a')))

def count_spans(html):
    return len(list(html.find_all('spans')))


df = pd.DataFrame({'id': [1, 2, 3], 'url': ['https://stackoverflow.com/questions',
                                            'https://facebook.com',
                                            'https://wiki.archlinux.org']})
df['head_c'], df['link_c'], df['span_c'] = [None, None, None]
# print(df)

async def process_url(df, url):
    async with aiohttp.ClientSession() as session:
        resp = await session.get(url)
        content = await resp.text()
        soup = BeautifulSoup(content, 'html.parser')
        headers_count = count_headers(soup)
        links_count = count_links(soup)
        spans_count = count_spans(soup)
        print("Done")

        df.loc[df['url'] == url, ['head_c', 'link_c', 'span_c']] = \
            [[headers_count, links_count, spans_count]]


async def main(df):
    await asyncio.gather(*[process_url(df, url) for url in df['url']])
    print(df)


loop = asyncio.get_event_loop()
loop.run_until_complete(main(df))
loop.close()

输出：

Done
Done
Done
   id                                  url  head_c  link_c  span_c
0   1  https://stackoverflow.com/questions      25     306       0
1   2                 https://facebook.com       3      55       0
2   3           https://wiki.archlinux.org      15      91       0

享受性能差异。