IT思维

公众号/AI前线

作者 | George Seif

译者 | 无明

编辑 | Vincent

AI 前线导读：Python 是机器学习的首选编程语言。它易于使用，还提供了很多出色的库让数据处理变得轻而易举！但在处理大量数据时，事情变得棘手起来……

现如今，“大数据”通常指的是包含数十万甚至数百万个数据点的数据集！基于这样的规模，每一个小的计算步骤都会累加起来，我们在编码管道的每一个步骤都要考虑到效率问题。在考虑机器学习系统效率时，经常被忽视的一个关键步骤是数据预处理。在进行预处理时，我们必须对所有数据点进行某种操作。

默认情况下，Python 程序作为单个进程运行在单个 CPU 上。大多数用于机器学习的现代机器至少有 2 个 CPU 核心。这意味着在进行预处理时，默认情况下有 50％或更多的 CPU 资源将无法执行任何操作！在使用 4 核（英特尔 i5）或 6 核（英特尔 i7）CPU 时，情况会变得更糟。

所幸的是，内置的 Python 库中有一些隐藏的功能，可以让我们充分利用所有的 CPU 内核！这要归功于 Python 的 concurrent.futures 模块，只需 3 行代码就可以将普通程序转换为可以跨 CPU 核心并行处理数据的程序。

让我们举一个简单的例子，我们有一个图像数据集，可能有数千甚至数百万张图像！出于时间方面的考虑，我们只使用 1000 张。在将所有图像传到深度神经网络之前，我们想要将它们的大小调整为 600×600。以下是 GitHub 上经常可以看到的一些非常标准的 Python 处理代码。

这个程序遵循的是数据处理脚本中常见的简单模式：

从要处理的文件（或其他数据）列表开始。使用 for 循环逐个处理数据，并在每个循环迭代上进行预处理。

让我们使用一个包含 1000 个 jpeg 文件的文件夹来测试这个程序，看看需要多长时间：

在我的机器（6 个内核的 i7-8700k CPU）上运行时间为 7.9864 秒！对于这样高端的 CPU 来说，这看起来有点慢了。让我们看看可以做些什么来加快速度。

为了理解 Python 如何并行处理事物，我们可以先了解并行处理本身是怎么回事。假设我们要将 1000 颗钉子钉入一块木头，钉一颗钉子需要 1 秒钟，如果是 1 个人做，那么总的需要 1000 秒时间。但如果团队中有 4 个人，我们将钉子分成四份，让每个人负责钉自己的钉子。使用这种方法，我们只需 250 秒即可完成任务！

同样，我们可以使用 Python 来处理上面的 1000 张图像：

• 将 jpg 文件列表拆分为 4 组。
• 运行 4 个单独的 Python 解释器实例。
• 让每个 Python 实例处理 4 组图像中的一个。
• 合并 4 个实例的处理结果，得到最终结果。

Python 为我们处理了所有“脏活”。我们只需要告诉它想要运行哪个函数，以及使用多少个 Python 实例，然后它会完成所有其他操作！我们只需修改 3 行代码。

在上面的代码中：

启动与 CPU 核心一样多的 Python 进程，这里是 6 个。实际进行处理的是这行代码：

executor.map() 将你想要运行的函数以及要处理的图像列表作为输入。因为我们有 6 个核心，所以可以同时处理列表中的 6 张图像！

如果我们再次运行我们的程序：

运行时间为 1.14265 秒，快了 6 倍！

注意：生成更多的 Python 进程并在它们之间 shuffle 数据会带来一些额外的开销，所以不一定总是会得到这么大的速度提升。但总的来说，速度的提升是非常明显的。

当你要对数据集中的每个数据点执行相似的计算时，使用 Python 并行进程池是一个很好的办法。但是，它并不总是完美的解决方案。并行进程池不会按照任何可预测的顺序来处理数。如果你需要处理结果按特定顺序排列，那么这个方法可能就不适合你。

Python 需要知道如何“pickle”你要处理的数据类型。所运的是，Python 官方文档提到了这些类型：

• None、True、False；
• 整数、浮点数、复数；
• 字符串、字节、字节数组；
• 仅包含可处理的对象的元组、列表、集合和词典；
• 在模块顶层定义的函数（使用 def 而不是 lambda 进行定义）；
• 在模块顶层定义的内置函数；
• 在模块顶层定义的类；
• __dict__ 或 __getstate()__ 调用结果是可处理的类实例。

英文原文：

https://towardsdatascience.com/heres-how-you-can-get-a-2-6x-speed-up-on-your-data-pre-processing-with-python-847887e63be5