Ответ 1
Из комментариев выше, кажется, что это запланировано на pandas некоторое время (там также интересный rosetta проект, который я только что заметил).
Однако до тех пор, пока каждая параллельная функциональность не будет включена в pandas, я заметил, что очень просто написать эффективные параллельные расширения без привязки к памяти pandas непосредственно с помощью cython + OpenMP и С++.
Вот краткий пример написания параллельной групповой суммы, использование которой выглядит примерно так:
import pandas as pd
import para_group_demo
df = pd.DataFrame({'a': [1, 2, 1, 2, 1, 1, 0], 'b': range(7)})
print para_group_demo.sum(df.a, df.b)
и вывод:
sum
key
0 6
1 11
2 4
Примечание Несомненно, эта простая функциональность в конце концов будет частью pandas. Однако некоторые вещи будут более естественными для параллелизма в С++ в течение некоторого времени, и важно знать, как легко объединить это в pandas.
Чтобы сделать это, я написал простейшее расширение с одним источником, код которого следует.
Он начинается с некоторых определений импорта и типов
from libc.stdint cimport int64_t, uint64_t
from libcpp.vector cimport vector
from libcpp.unordered_map cimport unordered_map
cimport cython
from cython.operator cimport dereference as deref, preincrement as inc
from cython.parallel import prange
import pandas as pd
ctypedef unordered_map[int64_t, uint64_t] counts_t
ctypedef unordered_map[int64_t, uint64_t].iterator counts_it_t
ctypedef vector[counts_t] counts_vec_t
Тип С++ unordered_map предназначен для суммирования одним потоком, а vector предназначен для суммирования по всем потокам.
Теперь к функции sum. Он начинается с типизированных просмотров памяти для быстрого доступа:
def sum(crit, vals):
cdef int64_t[:] crit_view = crit.values
cdef int64_t[:] vals_view = vals.values
Функция продолжается делением полуподобного на потоки (здесь hardcoded на 4), и каждый поток объединяет записи в своем диапазоне:
cdef uint64_t num_threads = 4
cdef uint64_t l = len(crit)
cdef uint64_t s = l / num_threads + 1
cdef uint64_t i, j, e
cdef counts_vec_t counts
counts = counts_vec_t(num_threads)
counts.resize(num_threads)
with cython.boundscheck(False):
for i in prange(num_threads, nogil=True):
j = i * s
e = j + s
if e > l:
e = l
while j < e:
counts[i][crit_view[j]] += vals_view[j]
inc(j)
Когда потоки завершены, функция объединяет все результаты (из разных диапазонов) в один unordered_map:
cdef counts_t total
cdef counts_it_t it, e_it
for i in range(num_threads):
it = counts[i].begin()
e_it = counts[i].end()
while it != e_it:
total[deref(it).first] += deref(it).second
inc(it)
Все, что осталось, это создать DataFrame и вернуть результаты:
key, sum_ = [], []
it = total.begin()
e_it = total.end()
while it != e_it:
key.append(deref(it).first)
sum_.append(deref(it).second)
inc(it)
df = pd.DataFrame({'key': key, 'sum': sum_})
df.set_index('key', inplace=True)
return df