python - for循环中的并行化功能

我有一个要并行化的函数。

import multiprocessing as mp
from pathos.multiprocessing import ProcessingPool as Pool

cores=mp.cpu_count()

# create the multiprocessing pool
pool = Pool(cores)

def clean_preprocess(text):
    """
    Given a string of text, the function:
    1. Remove all punctuations and numbers and converts texts to lower case
    2. Handles negation words defined above.
    3. Tokenies words that are of more than length 1
    """
    cores=mp.cpu_count()
    pool = Pool(cores)
    lower = re.sub(r'[^a-zA-Z\s\']', "", text).lower()
    lower_neg_handled = n_pattern.sub(lambda x: n_dict[x.group()], lower)
    letters_only = re.sub(r'[^a-zA-Z\s]', "", lower_neg_handled)
    words = [i for i  in tok.tokenize(letters_only) if len(i) > 1] ##parallelize this?
return (' '.join(words))

我一直在阅读有关多处理的文档，但是对于如何适当地并行化我的函数仍然有些困惑。如果有人能指出我正确的并行化函数的方向，我将不胜感激。

最佳答案

在函数上，您可以决定通过以下方式来并行化：将文本拆分为多个子部分，将标记化应用于子部分，然后合并结果。

类似于：

text0 = text[:len(text)/2]
text1 = text[len(text)/2:]

然后，使用以下步骤对这两个部分进行处理：

# here, I suppose that clean_preprocess is the sequential version,
# and we manage the pool outside of it
with Pool(2) as p:
  words0, words1 = pool.map(clean_preprocess, [text0, text1])
words = words1 + words2
# or continue with words0 words1 to save the cost of joining the lists

但是，您的功能似乎受到内存的限制，因此不会有可怕的加速（通常因素2是这些天我们在标准计算机上希望达到的最大值），例如How much does parallelization help the performance if the program is memory-bound?或What do the terms "CPU bound" and "I/O bound" mean?

因此，您可以尝试将文本分成两个以上的部分，但可能不会更快。您甚至可能会获得令人失望的性能，因为拆分文本可能比处理文本更昂贵。

关于python - for循环中的并行化功能，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/54699149/