经验 | 3行代码数据预处理提速6倍！

源/新智元

Python是所有机器学习的首选编程语言。它易于使用，并拥有许多很棒的库，可以轻松地处理数据。但是当我们需要处理大量数据时，事情就变得棘手了......

“大数据”这个词通常指的是数据集，一个数据集里的数据点如果没有数百万个，也有数十万。在这样的规模上，每个小的计算加起来，而且我们需要在编码过程的每个步骤保持效率。在考虑机器学习系统的效率时，经常被忽视的一个关键步骤就是预处理阶段，我们必须对所有数据点进行某种预处理操作。

默认情况下，Python程序使用单个CPU作为单个进程执行。大多数用于机器学习的计算机至少有2个CPU核心。这意味着，对于2个CPU内核的示例，在运行预处理时，50％或更多的计算机处理能力在默认情况下不会做任何事情！当你使用4核（ Intel i5）或6核（ Intel i7）时，就更浪费了。

但幸运的是，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CPU内核！感谢Python的concurrent.futures模块，只需3行代码就可以将一个普通程序转换为一个可以跨CPU核心并行处理数据的程序。

标准方法

让我们举一个简单的例子，我们在一个文件夹中有一个图像数据集; 或者我们甚至有成千上万的图像！为了节省处理时间，我们在这里使用1000张图像。我们希望在将所有图像在传输到深度神经网络之前将其大小调整为600x600。下面就是你经常在GitHub上看到的一些非常标准的Python代码。

这个程序遵循在数据处理脚本中经常看到的简单模式：

• 首先是要处理的文件（或其他数据）列表；
• 你可以使用for循环逐个处理每个数据片段，然后在每个循环迭代上运行预处理

让我们在一个包含1000个jpeg文件的文件夹上测试这个程序，看看运行需要多长时间：

在我的具有6个CPU核心的i7-8700k上，这个程序的运行时间是7.9864秒！对于这样的高端CPU来说，似乎有点慢。让我们看看我们可以做些什么来加快速度。

快速方式

为了理解我们希望Python如何并行处理事物，直观地思考并行处理本身是有帮助的。假设我们必须执行相同的任务，例如将钉子钉入一块木头，我们的桶中有1000个钉子。如果钉每个钉子需要1秒钟，那么1个人的话需要花1000秒完成工作。但是如果有4个人，我们会将整桶钉子平均分成4堆，然后每个人处理自己的一堆钉子。这样，只需250秒即可完成任务！

在这个包含1000张图像的任务中，也可以这样处理：

1. 将jpg文件列表分为4个较小的组。
2. 运行Python解释器的4个独立实例。
3. 让每个Python实例处理4个较小数据组中的一个。
4. 结合4个过程的结果，得到最终的结果列表。

这里最重要的部分是Python为我们处理了所有艰苦的工作。我们只是告诉它我们想要运行哪个函数，以及使用多少Python实例，然后它完成了所有其他操作！我们只需修改3行代码。

上面的代码中的：

你有多少CPU核心就启动多少Python进程，在我的例子中是6个。实际的处理代码是这样的：

executor.map（）将你想要运行的函数和一个列表作为输入，列表中的每个元素都是函数的单个输入。由于我们有6个核心，我们将同时处理列表中的6个项！

再次运行程序看看：

运行时间是1.14265秒，几乎加速了6倍！

注意：产生更多Python进程并在它们之间移动数据时，会产生一些开销，因此不会总是得到这么大的速度提升。 但总的来说，加速相当显著。

是否总能大幅加速

当你有要处理的数据列表并且要对每个数据点执行类似的计算时，使用Python并行池是一个很好的解决方案。但是，它并不总是完美的。并行池处理的数据不会以任何可预测的顺序处理。如果你需要处理的结果按特定顺序排列，那么这种方法可能不适合。

你处理的数据还必须是Python知道如何“pickle”的类型。幸运的是，这些类型很常见。以下来自Python官方文档：

• None, True, 及 False
• 整数，浮点数，复数
• 字符串，字节，字节数组
• 仅包含可选对象的元组，列表，集合和词典
• 在模块的顶层定义的函数（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
• 这些类的实例，__dict__或调用__getstate __（）的结果是可选择的