Индикатор прогресса во время операций с пандами

Я регулярно выполняю операции pandas над фреймами данных, длина которых превышает 15 миллионов строк, и я хотел бы получить доступ к индикатору прогресса для определенных операций.

Существует ли текстовый индикатор прогресса для операций pandas split-apply-Объединить?

Например, что-то вроде:

df_users.groupby(['userID', 'requestDate']).apply(feature_rollup)

где feature_rollup- несколько задействованная функция, которая принимает множество столбцов DF и создает новые пользовательские столбцы с помощью различных методов. Эти операции могут занять некоторое время для больших фреймов данных, поэтому я хотел бы знать, возможно ли иметь текстовый вывод в записной книжке iPython, который информирует меня о прогрессе.

До сих пор я пробовал индикаторы прогресса канонического цикла для Python, но они не взаимодействуют с пандами каким-либо значимым образом.

Я надеюсь, что есть кое-что, что я упустил из библиотеки / документации панд, что позволяет узнать о прогрессе разделения-применения-объединения. Простая реализация, возможно, будет смотреть на общее количество подмножеств фреймов данных, над которыми applyработает функция, и сообщать о прогрессе как завершенную часть этих подмножеств.

Возможно, это то, что нужно добавить в библиотеку?

В связи с популярным спросом, tqdmдобавил поддержку pandas. В отличие от других ответов, это не будет заметно замедлять панд - вот пример для DataFrameGroupBy.progress_apply:

import pandas as pd
import numpy as np
from tqdm import tqdm
# from tqdm.auto import tqdm  # for notebooks

df = pd.DataFrame(np.random.randint(0, int(1e8), (10000, 1000)))

# Create and register a new `tqdm` instance with `pandas`
# (can use tqdm_gui, optional kwargs, etc.)
tqdm.pandas()

# Now you can use `progress_apply` instead of `apply`
df.groupby(0).progress_apply(lambda x: x**2)

Если вам интересно, как это работает (и как изменить его для ваших собственных обратных вызовов), посмотрите примеры на github , полную документацию по pypi или импортируйте модуль и запустите help(tqdm).

РЕДАКТИРОВАТЬ

Чтобы напрямую ответить на исходный вопрос, замените:

df_users.groupby(['userID', 'requestDate']).apply(feature_rollup)

с участием:

from tqdm import tqdm
tqdm.pandas()
df_users.groupby(['userID', 'requestDate']).progress_apply(feature_rollup)

Примечание: tqdm <= v4.8 : для версий tqdm ниже 4.8 вместо tqdm.pandas()вас нужно было сделать:

from tqdm import tqdm, tqdm_pandas
tqdm_pandas(tqdm())

Подправить ответ Джеффа (и использовать его как функцию многократного использования).

def logged_apply(g, func, *args, **kwargs):
    step_percentage = 100. / len(g)
    import sys
    sys.stdout.write('apply progress:   0%')
    sys.stdout.flush()

    def logging_decorator(func):
        def wrapper(*args, **kwargs):
            progress = wrapper.count * step_percentage
            sys.stdout.write('\033[D \033[D' * 4 + format(progress, '3.0f') + '%')
            sys.stdout.flush()
            wrapper.count += 1
            return func(*args, **kwargs)
        wrapper.count = 0
        return wrapper

    logged_func = logging_decorator(func)
    res = g.apply(logged_func, *args, **kwargs)
    sys.stdout.write('\033[D \033[D' * 4 + format(100., '3.0f') + '%' + '\n')
    sys.stdout.flush()
    return res

Примечание. Применяйте обновления в процентах . Если ваша функция stdouts, то это не будет работать.

In [11]: g = df_users.groupby(['userID', 'requestDate'])

In [12]: f = feature_rollup

In [13]: logged_apply(g, f)
apply progress: 100%
Out[13]: 
...

Как обычно, вы можете добавить это к вашим групповым объектам как метод:

from pandas.core.groupby import DataFrameGroupBy
DataFrameGroupBy.logged_apply = logged_apply

In [21]: g.logged_apply(f)
apply progress: 100%
Out[21]: 
...

Как упоминалось в комментариях, это не та особенность, которую основные панды были бы заинтересованы в реализации. Но python позволяет вам создавать их для многих объектов / методов панд (это было бы довольно трудоемким делом ... хотя вы должны быть в состоянии обобщить этот подход).

Если вам нужна поддержка, как использовать это в записной книжке Jupyter / ipython, как я сделал, вот полезное руководство и источник для соответствующей статьи :

from tqdm._tqdm_notebook import tqdm_notebook
import pandas as pd
tqdm_notebook.pandas()
df = pd.DataFrame(np.random.randint(0, int(1e8), (10000, 1000)))
df.groupby(0).progress_apply(lambda x: x**2)

Обратите внимание на подчеркивание в операторе импорта для _tqdm_notebook. Как упоминается в упомянутой статье, разработка находится на поздней стадии бета-тестирования.

Для тех, кто хочет применить tqdm к своему собственному параллельному коду pandas-apply.

(В течение многих лет я пробовал некоторые библиотеки для распараллеливания, но я никогда не находил решение для распараллеливания на 100%, в основном для функции apply, и мне всегда приходилось возвращаться для своего «ручного» кода.)

df_multi_core - это тот, кого вы называете. Он принимает:

1. Ваш объект DF
2. Имя функции, которую вы хотите вызвать
3. Подмножество столбцов, над которыми может выполняться функция (помогает сократить время / память)
4. Количество параллельных заданий (-1 или не указано для всех ядер)
5. Любые другие kwargs, которые принимает функция df (например, «axis»)

_df_split - это внутренняя вспомогательная функция, которая должна располагаться глобально к работающему модулю (Pool.map зависит от места размещения), в противном случае я бы обнаружил ее внутри.

Вот код из моей сущности (я добавлю туда еще функциональные тесты панд):

import pandas as pd
import numpy as np
import multiprocessing
from functools import partial

def _df_split(tup_arg, **kwargs):
    split_ind, df_split, df_f_name = tup_arg
    return (split_ind, getattr(df_split, df_f_name)(**kwargs))

def df_multi_core(df, df_f_name, subset=None, njobs=-1, **kwargs):
    if njobs == -1:
        njobs = multiprocessing.cpu_count()
    pool = multiprocessing.Pool(processes=njobs)

    try:
        splits = np.array_split(df[subset], njobs)
    except ValueError:
        splits = np.array_split(df, njobs)

    pool_data = [(split_ind, df_split, df_f_name) for split_ind, df_split in enumerate(splits)]
    results = pool.map(partial(_df_split, **kwargs), pool_data)
    pool.close()
    pool.join()
    results = sorted(results, key=lambda x:x[0])
    results = pd.concat([split[1] for split in results])
    return results

Ниже приведен тестовый код для параллельного применения с tqdm "progress_apply".

from time import time
from tqdm import tqdm
tqdm.pandas()

if __name__ == '__main__': 
    sep = '-' * 50

    # tqdm progress_apply test      
    def apply_f(row):
        return row['c1'] + 0.1
    N = 1000000
    np.random.seed(0)
    df = pd.DataFrame({'c1': np.arange(N), 'c2': np.arange(N)})

    print('testing pandas apply on {}\n{}'.format(df.shape, sep))
    t1 = time()
    res = df.progress_apply(apply_f, axis=1)
    t2 = time()
    print('result random sample\n{}'.format(res.sample(n=3, random_state=0)))
    print('time for native implementation {}\n{}'.format(round(t2 - t1, 2), sep))

    t3 = time()
    # res = df_multi_core(df=df, df_f_name='apply', subset=['c1'], njobs=-1, func=apply_f, axis=1)
    res = df_multi_core(df=df, df_f_name='progress_apply', subset=['c1'], njobs=-1, func=apply_f, axis=1)
    t4 = time()
    print('result random sample\n{}'.format(res.sample(n=3, random_state=0)))
    print('time for multi core implementation {}\n{}'.format(round(t4 - t3, 2), sep))

В выходных данных вы видите 1 индикатор выполнения для работы без распараллеливания, а также индикатор выполнения для каждого ядра при работе с распараллеливанием. Есть небольшой скачок, и иногда остальные ядра появляются сразу, но даже тогда я думаю, что это полезно, так как вы получаете статистику прогресса на ядро ​​(it / sec и общее количество записей, например)

Спасибо @abcdaa за эту замечательную библиотеку!

Вы можете легко сделать это с декоратором

from functools import wraps 

def logging_decorator(func):

    @wraps
    def wrapper(*args, **kwargs):
        wrapper.count += 1
        print "The function I modify has been called {0} times(s).".format(
              wrapper.count)
        func(*args, **kwargs)
    wrapper.count = 0
    return wrapper

modified_function = logging_decorator(feature_rollup)

затем просто используйте модифицированную_функцию (и изменяйте, когда хотите, чтобы она печаталась)

Я изменил ответ Джеффа , чтобы включить итоги, чтобы вы могли отслеживать прогресс и переменную, чтобы просто печатать каждые X итераций (это на самом деле значительно повышает производительность, если «print_at» достаточно высокий)

def count_wrapper(func,total, print_at):

    def wrapper(*args):
        wrapper.count += 1
        if wrapper.count % wrapper.print_at == 0:
            clear_output()
            sys.stdout.write( "%d / %d"%(calc_time.count,calc_time.total) )
            sys.stdout.flush()
        return func(*args)
    wrapper.count = 0
    wrapper.total = total
    wrapper.print_at = print_at

    return wrapper

функция clear_output ()

from IPython.core.display import clear_output

если не на IPython, ответ Энди Хейдена делает это без него