多次元配列でのnp.whereを並列化したい

Question

前提・実現したいこと

多次元配列
pDM = [[1, 2, 3], [10, 20, 30], [40, 50, 60],[70, 80, 90],[100, 200, 300]]

というものを以下のように並列化してnp.whereでの条件を満たすpDMの行のindexを取り出したいです。(実際扱うpDMの行数が10000000行以上ですので並列化を行おうと思っております)コードは次のように作成しました。

from multiprocessing import Pool
import numpy as np

NTask = 16
pDM = [[1, 2, 3], [10, 20, 30], [40, 50, 60],[70, 80, 90],[100, 200, 300]]

def find_DM_adress(j):
            found_DMad = np.where((10 < pDM[:, 0] < 70) & (2 < pDM[:, 1] < 100))
            return found_DMad

if __name__ == "__main__":
            p = Pool(NTask)
            DM_adress = p.map(find_DM_adress, range(len(pDM.shape[0])))
            print('now finding DM_adress....')
            print('complete DM adress!!')
            print(len(adress))

発生している問題・エラーメッセージ

Traceback (most recent call last):
  File "○○.py", line 154, in <module>
    DM_adress = np.where((10 < pDM[:, 0] < 70) & (2 < pDM[:, 1] < 100))
ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.a.ll()

該当しているValueErrorはネットでも出てきましたが、私の状況と合うものを上手く見つけることができませんでしたのでこちらにてお伺いいたします。

宜しくお願いいたします。

補足情報（FW/ツールのバージョンなど）

python3

Comments

[meg_]

コードでは「found_DMad = np.where((10 < pDM[:, 0] < 70) & (2 < pDM[:, 1] < 100))」ですが、エラーメッセージでは「DM_adress = np.where((10 < pDM[:, 0] < 70) & (2 < pDM[:, 1] < 100))」となっています。
実際に実行されたコードおよびエラーメッセージなのかご確認ください。

[ppaul]

ソースが間違っていませんか。

Answer 1

全体的にしょうもない間違いが多いので、とりあえず動くように軽く直してみたコードがこちらになります。

from multiprocessing import Pool
import numpy as np

NTask = 16
pDM = np.array([[1, 2, 3], [10, 20, 30], [40, 50, 60],[70, 80, 90],[100, 200, 300]])

def find_DM_address(j):
    found_DMad = np.where((10 < pDM[:, 0]) & (pDM[:, 0] < 70) & (2 < pDM[:, 1]) & (pDM[:, 1] < 100))
    return found_DMad

if __name__ == "__main__":
    p = Pool(NTask)
    DM_address = p.map(find_DM_address, range(pDM.shape[0]))
    print('now finding DM_address....')
    print('complete DM address!!')
    print(len(DM_address))

で、このコードには意味はないです。そもそも並列化できていないため。DM_adressは[(array([2]),), (array([2]),), (array([2]),), (array([2]),), (array([2]),)]なんて値になります。

あと、10000000行（10^7か）程度であれば、想像より速く動くと思われます。

numpy.whereはCで実装されており、この場合、ちゃんとCPUがぶん回ります。CPUクロック数が4*10^9くらい、同時実行できる命令が控えめに見て3くらいということで10^10/s程度の命令実行数が期待でき、1行処理するのに多めに見積もって10^3命令要るとしても1秒で10^7行を処理できます。

とりあえず以下のコードで壊滅的に遅かったりしないか確認するべき。

import numpy as np

pDM = np.array([[1, 2, 3], [10, 20, 30], [40, 50, 60],[70, 80, 90],[100, 200, 300]])
pDM = np.vstack([pDM]*10000000)

def find_DM_address():
    found_DMad = np.where((10 < pDM[:, 0]) & (pDM[:, 0] < 70) & (2 < pDM[:, 1]) & (pDM[:, 1] < 100))
    return found_DMad

def main():
    DM_address = find_DM_address()
    print('now finding DM_address....')
    print('complete DM address!!')
    print(len(DM_address[0]))    
    
if __name__ == "__main__":
    main()

実際、許容範囲じゃないの？　という時間で動いたことは報告しておきます。

プロセス並列化をやった場合は、素直にやるとプロセス間で配列本体のコピーが行われ、へたしたらこっちの方が時間を食います。どうしてもマルチコアを生かして並列化をやるなら、numbaなどでスレッド並列化を書く必要があるでしょう。

Answer 2

a < b < c は (a < b) and (b < c)と解釈されるのでこのエラーになります。

found_DMad = np.where((10 < pDM[:, 0]) & (pDM[:, 0] < 70) & (2 < pDM[:, 1]) & (pDM[:, 1] < 100)))
ならこのエラーは出なくなるでしょう。

その後がうまくいくかどうかは別の問題です。