本文约2600字，建议阅读8分钟。
本文介绍了仅需3行代码，将Python数据处理速度提升2~6倍的简单方法。
Python是所有机器学习的首选编程语言。它易于使用，并拥有许多很棒的库，可以轻松地处理数据。但是当我们需要处理大量数据时，事情就变得棘手了......
“大数据”这个词通常指的是数据集，一个数据集里的数据点如果没有数百万个，也有数十万。在这样的规模上，每个小的计算加起来，而且我们需要在编码过程的每个步骤保持效率。在考虑机器学习系统的效率时，经常被忽视的一个关键步骤就是预处理阶段，我们必须对所有数据点进行某种预处理操作。
默认情况下，Python程序使用单个CPU作为单个进程执行。大多数用于机器学习的计算机至少有2个CPU核心。这意味着，对于2个CPU内核的示例，在运行预处理时，50％或更多的计算机处理能力在默认情况下不会做任何事情！当你使用4核（ Intel i5）或6核（ Intel i7）时，就更浪费了。
但幸运的是，内置的Python库中有一些隐藏的功能，可以让我们充分利用所有CPU内核！感谢Python的concurrent.futures模块，只需3行代码就可以将一个普通程序转换为一个可以跨CPU核心并行处理数据的程序。
让我们举一个简单的例子，我们在一个文件夹中有一个图像数据集; 或者我们甚至有成千上万的图像！为了节省处理时间，我们在这里使用1000张图像。我们希望在将所有图像在传输到深度神经网络之前将其大小调整为600x600。下面就是你经常在GitHub上看到的一些非常标准的Python代码。
这个程序遵循在数据处理脚本中经常看到的简单模式：
让我们在一个包含1000个jpeg文件的文件夹上测试这个程序，看看运行需要多长时间：
在我的具有6个CPU核心的i7-8700k上，这个程序的运行时间是7.9864秒！对于这样的高端CPU来说，似乎有点慢。让我们看看我们可以做些什么来加快速度。
为了理解我们希望Python如何并行处理事物，直观地思考并行处理本身是有帮助的。假设我们必须执行相同的任务，例如将钉子钉入一块木头，我们的桶中有1000个钉子。如果钉每个钉子需要1秒钟，那么1个人的话需要花1000秒完成工作。但是如果有4个人，我们会将整桶钉子平均分成4堆，然后每个人处理自己的一堆钉子。这样，只需250秒即可完成任务！
在这个包含1000张图像的任务中，也可以这样处理：
这里最重要的部分是Python为我们处理了所有艰苦的工作。我们只是告诉它我们想要运行哪个函数，以及使用多少Python实例，然后它完成了所有其他操作！我们只需修改3行代码。
上面的代码中的：
你有多少CPU核心就启动多少Python进程，在我的例子中是6个。实际的处理代码是这样的：
executor.map（）将你想要运行的函数和一个列表作为输入，列表中的每个元素都是函数的单个输入。由于我们有6个核心，我们将同时处理列表中的6个项！
再次运行程序看看：
运行时间是1.14265秒，几乎加速了6倍！
注意：产生更多Python进程并在它们之间移动数据时，会产生一些开销，因此不会总是得到这么大的速度提升。 但总的来说，加速相当显著。
当你有要处理的数据列表并且要对每个数据点执行类似的计算时，使用Python并行池是一个很好的解决方案。但是，它并不总是完美的。并行池处理的数据不会以任何可预测的顺序处理。如果你需要处理的结果按特定顺序排列，那么这种方法可能不适合。
你处理的数据还必须是Python知道如何“pickle”的类型。幸运的是，这些类型很常见。以下来自Python官方文档：
原文链接：
https://towardsdatascience.com/heres-how-you-can-get-a-2-6x-speed-up-on-your-data-pre-processing-with-python-847887e63be5
