多处理写入 pandas 数据框

所以我试图用下面的代码做的是读取列表列表并将它们放入名为的函数中checker然后有log_result处理函数的结果checker。我尝试使用多线程来执行此操作，因为变量名称rows_to_parse实际上有数百万行，因此使用多个内核应该会大大加快此过程。

目前的代码无法运行并且会使 Python 崩溃。

我的担忧和问题：

1. 想要变量中保存的现有 dfdf以维持 索引整个过程，否则log_result将会得到 不知道哪一行需要更新。
2. 我非常确定apply_async不合适 多处理功能来履行这项职责，因为我相信 计算机读写 df 的顺序可能会损坏它？？？
3. 我认为可能需要设置一个队列来进行写入和读取df但我不确定我将如何去做。

感谢您的帮助。

import pandas as pd
import multiprocessing
from functools import partial

def checker(a,b,c,d,e):
    match = df[(df['a'] == a) & (df['b'] == b) & (df['c'] == c) & (df['d'] == d) & (df['e'] == e)]
    index_of_match = match.index.tolist()
    if len(index_of_match) == 1: #one match in df
        return index_of_match
    elif len(index_of_match) > 1: #not likely because duplicates will be removed prior to: if "__name__" == __main__:
        return [index_of_match[0]]
    else: #no match, returns a result which then gets processed by the else statement in log_result. this means that [a,b,c,d,e] get written to the df
        return [a,b,c,d,e]



def log_result(result, dataf):
    if len(result) == 1: #
        dataf.loc[result[0]]['e'] += 1 
    else: #append new row to exisiting df
        new_row = pd.DataFrame([result],columns=cols)
        dataf = dataf.append(new_row,ignore_index=True)


def apply_async_with_callback(parsing_material, dfr):
    pool = multiprocessing.Pool()
    for var_a, var_b, var_c, var_d, var_e in parsing_material:
        pool.apply_async(checker, args = (var_a, var_b, var_c, var_d, var_e), callback = partial(log_result,dataf=dfr))
    pool.close()
    pool.join()



if __name__ == '__main__':
    #setting up main dataframe
    cols = ['a','b','c','d','e']
    existing_data = [["YES","A","16052011","13031999",3],
                    ["NO","Q","11022003","15081999",3],
                    ["YES","A","22082010","03012001",9]]

    #main dataframe
    df = pd.DataFrame(existing_data,columns=cols)

    #new data
    rows_to_parse = [['NO', 'A', '09061997', '06122003', 5],
                    ['YES', 'W', '17061992', '26032012', 6],
                    ['YES', 'G', '01122006', '07082014', 2],
                    ['YES', 'N', '06081992', '21052008', 9],
                    ['YES', 'Y', '18051995', '24011996', 6],
                    ['NO', 'Q', '11022003', '15081999', 3],
                    ['NO', 'O', '20112004', '28062008', 0],
                    ['YES', 'R', '10071994', '03091996', 8],
                    ['NO', 'C', '09091998', '22051992', 1],
                    ['YES', 'Q', '01051995', '02012000', 3],
                    ['YES', 'Q', '26022015', '26092007', 5],
                    ['NO', 'F', '15072002', '17062001', 8],
                    ['YES', 'I', '24092006', '03112003', 2],
                    ['YES', 'A', '22082010', '03012001', 9],
                    ['YES', 'I', '15072016', '30092005', 7],
                    ['YES', 'Y', '08111999', '02022006', 3],
                    ['NO', 'V', '04012016', '10061996', 1],
                    ['NO', 'I', '21012003', '11022001', 6],
                    ['NO', 'P', '06041992', '30111993', 6],
                    ['NO', 'W', '30081992', '02012016', 6]]


    apply_async_with_callback(rows_to_parse, df)

在多处理中像这样更新数据帧是行不通的：

dataf = dataf.append(new_row,ignore_index=True)

一方面，这是非常低效的（每次追加都是 O(n)，所以总共是 O(n^2)。首选方法是在一次传递中将一些对象连接在一起。

另一方面，更重要的是，dataf 不会为每次更新锁定，因此不能保证两个操作不会发生冲突（我猜这会导致 python 崩溃）。

最后，append没有作用到位，所以变量dataf一旦回调完成就被丢弃！并且没有对父级进行任何更改dataf.

我们可以使用多重处理列表 or a dict。如果您不关心顺序，则使用 list ；如果您关心顺序，则使用 dict （例如枚举），因为您必须注意，异步返回的值不是按照明确定义的顺序返回的。
（或者我们可以创建一个自己实现 Lock 的对象，请参阅伊莱·班德斯基.)
因此进行了以下更改：

df = pd.DataFrame(existing_data,columns=cols)
# becomes
df = pd.DataFrame(existing_data,columns=cols)
d = MultiProcessing.list([df])

dataf = dataf.append(new_row,ignore_index=True)
# becomes
d.append(new_row)

现在，一旦异步完成，您就拥有了 DataFrame 的 MultiProcessing.list。您可以连接这些（和ignore_index）以获得所需的结果：

pd.concat(d, ignore_index=True)

应该做到这一点。

注意：在每个阶段创建 newrow DataFrame 的效率也低于让 pandas 一次性将列表列表直接解析为 DataFrame 的效率。希望这是一个玩具示例，实际上您希望您的块相当大，以便通过多重处理获得胜利（我听说 50kb 作为经验法则......），一次一行永远不会成为一个在这里获胜。

另外：您应该避免在代码中使用全局变量（如 df），在函数中传递它们会更干净（在本例中，作为检查器的参数）。