Python 使用数组和多个参数进行多处理

Question

所以我试图读入一堆非常大的数据文件，每个文件都需要相当长的时间来加载。我试图弄清楚如何以最快的方式加载它们并且不会运行进入内存问题。一旦数据文件以正确的方式加载到数组中，我就不需要写入它们，而只需要读取。一段时间以来，我一直在尝试将其并行化，但无法弄清楚。

假设我有 400 个时间文件。这些文件中的每一个都是制表符分隔的，并且有 30 个变量，每个变量有 40,000 个数据点。我想创建一个 400x30x40000 数组，以便我可以轻松访问这些点。数据文件的设置使得前 40k 点用于变量 1，第二个 40k 用于变量 2，依此类推。

我编写了一个函数，可以正确加载时间文件并将其正确存储在我的数组中。我遇到的问题是并行化它。如果我把它放在一个 for 循环中并迭代 i.

，这确实有效

import h5py
import pandas as pd
h5file = h5py.File('data.h5','a')
data = h5file.create_dataset("default",(len(files),len(header),numPts))
       # is shape 400x30x40000
def loadTimes(files,i,header,numPts,data):
   # files has 400 elements
   # header has 30 elements
   # numPts is an integer
   allData = pd.read_csv(files[i],delimiter="\t",skiprows=2,header=None).T
   for j in range(0,len(header)):
      data[i,j,:] = allData[0][j*numPts:(j+1)*numPts]
   del allData

files 是 subprocess.check_output 加载的时间文件列表（大约有 400 个元素），header 是变量列表，从另一个文件加载（其中有 30 个元素）。 numPts 是每个变量的点数（大约 40k）。

我试过使用 pool.map 加载数据，但发现它不喜欢多个参数。我也尝试过使用 partial、zip 和 lambda 函数，但其中 none 似乎喜欢我的数组。

我对这种方法不是一成不变。如果有更好的方法来做到这一点，我将不胜感激。一次加载所有这些数据将花费太长时间。我的计算表明，使用一个内核在我的计算机上加载需要大约 3 小时。而且我会用掉很多记忆。我可以访问另一台具有更多内核的机器，这实际上是我将要执行此操作的地方，我想正确地利用它们。

Answer 1

所以我解决这个问题的方法是使用 h5 文件格式。我所做的是编写循环，以便它们只有 iter

def LoadTimeFiles(i):
   from pandas import read_csv
   import h5py as h5
   dataFile = h5.File('data.h5','r+')
   rFile = dataFile['files'][i]
   data = dataFile['data']
   lheader = len(data[0,:,0])
   numPts = len(data[0,0,:])
   allData = read_csv(rFile,delimiter="\t",skiprows=2,header=None,low_memory=False).T
   for j in range(0,lheader):
      data[i,j,:] = allData[0][j*numPts:(j+1)*numPts]
   del allData
   dataFile.close()

def LoadTimeFilesParallel(np):
   from multiprocessing import Pool, freeze_support
   import h5py as h5
   files = h5.File('data.h5','r')
   numFiles = len(files['data'][:,0,0])
   files.close()
   pool = Pool(np)
   freeze_support
   pool.map(LoadTimeFiles,range(numFiles))

if __name__ == '__main__':
   np = 5
   LoadTimeFilesParallel(np)

因此，由于我无论如何都以 h5 格式存储数据，所以我认为我会很棘手并在每个循环中加载它（我看不到读取 h5 文件的时间延迟）。我将选项 low_memory=False 添加到 read_csv 命令，因为它使它运行得更快。 j 循环真的很快，所以我不需要加快它的速度。

现在每个 LoadTimeFile 循环大约需要 20-30 秒，我们一次做 5 个，顺序无关紧要。我的 ram 从未超过 3.5Gb（系统总使用量）并在运行后回落到 gig 以下。

Python 使用数组和多个参数进行多处理

Python multiprocessing with arrays and multiple arguments

python-2.7

multidimensional-array

python-multiprocessing

h5py