三行Python代码，让数据预处理速度提升2到6倍

在 Python 中，咱们能够找到原生的并行化运算指令。本文能够教你仅使用 3 行代码，大大加快数据预处理的速度。

Python 是机器学习领域内的首选编程语言，它易于使用，也有不少出色的库来帮助你更快处理数据。但当咱们面临大量数据时，一些问题就会显现……

目前，大数据（Big Data）这个术语一般用于表示包含数十万数据点的数据集。在这样的尺度上，工做进程中加入任何额外的计算都须要时刻注意保持效率。在设计机器学习系统时，数据预处理很是重要——在这里，咱们必须对全部数据点使用某种操做。

在默认状况下，Python 程序是单个进程，使用单 CPU 核心执行。而大多数当代机器学习硬件都至少搭载了双核处理器。这意味着若是没有进行优化，在数据预处理的时候会出现「一核有难九核围观」的状况——超过 50% 的算力都会被浪费。在当前四核处理器（英特尔酷睿 i5）和 6 核处理器（英特尔酷睿 i7）大行其道的时候，这种状况会变得更加明显。

幸运的是，Python 库中内建了一些隐藏的特性，可让咱们充分利用全部 CPU 核心的能力。经过使用 Python 的 concurrent.futures 模块，咱们只须要 3 行代码就可让一个普通的程序转换成适用于多核处理器并行处理的程序。

标准方法

让咱们举一个简单的例子，在单个文件夹中有一个图片数据集，其中有数万张图片。在这里，咱们决定使用 1000 张。咱们但愿在全部图片被传递到深度神经网络以前将其调整为 600×600 像素分辨率的形式。如下是你常常会在 GitHub 上看到的标准 Python 代码：

import glob
import os
import cv2


### Loop through all jpg files in the current folder 
### Resize each one to size 600x600
for image_filename in glob.glob("*.jpg"):
 ### Read in the image data
 img = cv2.imread(image_filename)

 ### Resize the image
 img = cv2.resize(img, (600, 600))

上面的程序遵循你在处理数据脚本时常常看到的简单模式：

1. 首先从须要处理内容的文件（或其余数据）列表开始。
2. 使用 for 循环逐个处理每一个数据，而后在每一个循环迭代上运行预处理。

让咱们在一个包含 1000 个 jpeg 文件的文件夹上测试这个程序，看看运行它须要多久：

time python standard_res_conversion.py

在个人酷睿 i7-8700k 6 核 CPU 上，运行时间为 7.9864 秒！在这样的高端 CPU 上，这种速度看起来是难以让人接受的，看看咱们能作点什么。

更快的方法

为了便于理解并行化的提高，假设咱们须要执行相同的任务，好比将 1000 个钉子钉入木头，假如钉入一个须要一秒，一我的就须要 1000 秒来完成任务。四我的组队就只须要 250 秒。

在咱们这个包含 1000 个图像的例子中，可让 Python 作相似的工做：

• 将 jpeg 文件列表分红 4 个小组；
• 运行 Python 解释器中的 4 个独立实例；
• 让 Python 的每一个实例处理 4 个数据小组中的一个；
• 结合四个处理过程获得的结果得出最终结果列表。

这一方法的重点在于，Python 帮咱们处理了全部棘手的工做。咱们只需告诉它咱们想要运行哪一个函数，要用多少 Python 实例，剩下的就交给它了！只需改变三行代码。实例：

import glob
import os
import cv2
import concurrent.futures


def load_and_resize(image_filename):
 ### Read in the image data
 img = cv2.imread(image_filename)

 ### Resize the image
 img = cv2.resize(img, (600, 600)) 


### Create a pool of processes. By default, one is created for each CPU in your machine.
with concurrent.futures.ProcessPoolExecutor() as executor:
 ### Get a list of files to process
 image_files = glob.glob("*.jpg")

 ### Process the list of files, but split the work across the process pool to use all CPUs
 ### Loop through all jpg files in the current folder 
 ### Resize each one to size 600x600
 executor.map(load_and_resize, image_files)

 

从以上代码中摘出一行：

with concurrent.futures.ProcessPoolExecutor() as executor:

 

你的 CPU 核越多，启动的 Python 进程越多，个人 CPU 有 6 个核。实际处理代码以下：

executor.map(load_and_resize, image_files)

 

「executor.map()」将你想要运行的函数和列表做为输入，列表中的每一个元素都是咱们函数的单个输入。因为咱们有 6 个核，咱们将同时处理该列表中的 6 个项目！

 

若是再次用如下代码运行咱们的程序：

time python fast_res_conversion.py

 

咱们能够将运行时间降到 1.14265 秒，速度提高了近 6 倍！

 

注意：在生成更多 Python 进程及在它们之间整理数据时会有一些开销，因此速度提高并不老是这么明显。可是总的来讲，速度提高仍是很是可观的。

 

它老是那么快吗？

若是你有一个数据列表要处理，并且在每一个数据点上执行类似的运算，那么使用 Python 并行池是一个很好的选择。但有时这不是最佳解决方案。并行池处理的数据不会在任何可预测的顺序中进行处理。若是你对处理后的结果有特殊顺序要求，那么这个方法可能不适合你。

 

你处理的数据也必须是 Python 能够「炮制」的类型。所幸这些指定类别都很常见。如下来自 Python 官方文件：

• None, True, 及 False
• 整数、浮点数、复数
• 字符串、字节、字节数组
• 只包含可挑选对象的元组、列表、集合和字典
• 在模块顶层定义的函数（使用 def ，而不是 lambda ）
• 在模块顶层定义的内置函数
• 在模块顶层定义的类
• 这种类的实例，其 dict 或调用getstate() 的结果是可选择的（参见「Pickling Class Instances」一节）。

 

推荐阅读：极简Python带你探索分类与回归的奥秘