我在将分组操作的聚合步骤拆分到多个核心时遇到了一些问题。以下是我现在正在使用的代码,希望可以在几个处理器上应用它:
import pandas as pd
import numpy as np
from multiprocessing import Pool, cpu_count
mydf = pd.DataFrame({'v1':[1,2,3,4]*6,'v2':['a','b','c']*8,'v3':np.arange(20,44)})
我可以应用以下分组操作:(我希望以并行方式执行的步骤)
pd.groupby(mydf,by=['v1','v2']).apply(lambda x: np.percentile(x['v3'],[20,30]))
产生了以下序列:
1 a [22.4, 23.6]
b [26.4, 27.6]
c [30.4, 31.6]
2 a [31.4, 32.6]
b [23.4, 24.6]
c [27.4, 28.6]
我参考了以下链接:parallel groupby,尝试了以下操作:
def applyParallel(dfGrouped, func):
with Pool(1) as p:
ret_list = p.map(func, [group for name, group in dfGrouped])
return pd.concat(ret_list)
def myfunc(df):
df['pct1'] = df.loc[:,['v3']].apply(np.percentile,args=([20],))
df['pct2'] = df.loc[:,['v3']].apply(np.percentile,args=([80],))
return(df)
grouped = pd.groupby(mydf,by=['v1','v2'])
applyParallel(grouped,myfunc)
但是我正在失去索引结构并出现重复。 我可能可以通过进一步的分组操作解决此问题,但我认为完全避免这种情况也不应该太困难。 有什么建议吗?