来源 | towardsdatascience.com

编译 | 数说君

出品 | 数说工作室

原标题：Here’s how you can get a 2–6x speed-up on your data pre-processing with Python

最近在 Towards Data Science 上看到一篇文章，如何用 Python 进行并行处理，觉得非常有帮助，因此介绍给大家，用我的风格对文章做了编译。

数据的预处理，是机器学习非常重要的一环。尽管 Python 提供了很多让人欲罢不能的库，但数据量一大，就不是那么回事了。

面对着海量的数据，再狂拽炫酷的计算都苍白无力，每一个简单的计算都要不断告诉自己：

Python，你算的累不累，

饿不饿？

渴不渴？

会不会让我等待太久，

是否可以快一点。

一方面是低效率，另一方面呢，却是电脑资源的闲置，给你们算笔账：

现在我们做机器学习的个人电脑，大部分都是双CPU核的，有的是4核甚至6核（intel i7）。而 Python 默认情况下是用单核进行做数据处理，这就意味着，Python 处理数据时，电脑有50%的处理能力被闲置了！

还好，Python 有一个隐藏 “皮肤”，可以对核资源的利用率进行加成！这个隐藏“皮肤” 就是 concurrent.futures 模块，能够帮助我们充分利用所有CPU内核。

下面就举个例子进行说明：

在图像处理领域，我们有时候要处理海量的图像数据，比如几百万张照片进行尺寸统一化调整，然后扔到神经网络中进行训练。这时候 concurrent.futures 模块可以帮我们缩短数倍的时间。

为了便于比较，这里拿1000张照片做例子，我们需要：把这1000张照片统一调整成 600x600 的尺寸：

（1）一般的方法

上面是最常见的数据处理方法：

① 准备好要处理的原始文件，比如几百万个txt、jpg等；

② 用for循环一个一个的处理，每一个循环里面运行一次预处理，这里的预处理就是 imread() 和 resize()，即读入每一张图片，重新调整一下大小。

1000张照片的话，大概要花费多久呢？我们来跑一下时间：

time python standard_res_conversion.py

在作者的 i7-8700k 6核CPU处理器上，一共大概7.9864秒。才1000张照片，花了将近8秒，你可以闭上眼感受一下，互联网有一个「八秒定律」，即指用户访问一个网站时，如果等待网页打开的时间超过8秒，会有超过70%的用户放弃等待。

（2）快的方法

concurrent.futures 模块能够利用并行处理来帮我们加速，什么是并行处理，举个例子：

假设我们要把1000个钉子钉入一块木头里，钉一次要1秒，那么1000次就要1000秒。 但假如我们让4个人同时来钉，分摊成4个人，最快只要250秒。这就是并行处理

这1000张照片，也可以分成多个进程来处理。用 concurrent.futures 库只要多3行代码：

代码中，首先把具体的处理过程打包成函数 load_and_resize()，然后用框出来的3行代码，即可实现多线程处理：

with concurrent.futures.ProcessPoolExecutor() as executor:

这句意味着你有多少CPU核心，就启动多少Python进程，这里作者的电脑是6个核，就同时启动6个项。

image_files = glob.glob(".*jpg")

读入原始数据。

executor.map(load_and_resize, image_file)

这个是实际的处理语句，第一个参数是处理函数，第二个参数是原始数据。这个语句意味着，用6个进程，来并行对 image_file 文件进行 load_and_resize 处理。

再跑一下时间：

time python fast_res_conversion.py

这次只需要1.14265秒，快了几乎6倍！

（3）例外情况

由于并行的处理是没有顺序的，因此如果你需要的结果是按照特定顺序排列的，那么这种方法不是很适用。

另外就是数据类型必须要是Python能够去pickle的，比如：

• 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（用 def 定义，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
• 类的实例，这些类的__dict__或调用__getstate __（）的结果是可选择的