用于处理数据fas的多进程Python/numy代码

Question

我正在读取数百个HDF文件，并分别处理每个HDF的数据。但是，这需要非常多的时间，因为它一次只能处理一个HDF文件。我刚刚偶然发现了http://docs.python.org/library/multiprocessing.html，现在想知道如何使用多处理来加快速度。在

到目前为止，我想到了这个：

import numpy as np
from multiprocessing import Pool

def myhdf(date):
    ii      = dates.index(date)
    year    = date[0:4]
    month   = date[4:6]
    day     = date[6:8]
    rootdir = 'data/mydata/'
    filename = 'no2track'+year+month+day
    records = read_my_hdf(rootdir,filename)
    if records.size:
        results[ii] = np.mean(records)

dates = ['20080105','20080106','20080107','20080108','20080109']
results = np.zeros(len(dates))

pool = Pool(len(dates))
pool.map(myhdf,dates)

然而，这显然是不正确的。你能跟着我的思路做我想做的事吗？我需要改变什么？在

Answer 1

请尝试joblib以获得更友好的multiprocessing包装：

from joblib import Parallel, delayed

def myhdf(date):
    # do work
    return np.mean(records)

results = Parallel(n_jobs=-1)(delayed(myhdf)(d) for d in dates)

Answer 2

Pool classesmap函数类似于标准的python库map函数，您可以保证按照放入结果的顺序返回结果。知道了这一点，唯一的另一个诀窍就是你需要以一致的方式返回结果，然后过滤它们。在

import numpy as np
from multiprocessing import Pool

def myhdf(date):
    year    = date[0:4]
    month   = date[4:6]
    day     = date[6:8]
    rootdir = 'data/mydata/'
    filename = 'no2track'+year+month+day
    records = read_my_hdf(rootdir,filename)
    if records.size:
        return np.mean(records)

dates = ['20080105','20080106','20080107','20080108','20080109']

pool = Pool(len(dates))
results = pool.map(myhdf,dates)
results = [ result for result in results if result ]
results = np.array(results)

如果您真的想在结果可用时立即使用imap_unordered