質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.51%

  • Python

    11753questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

pythonでtfidfを並列化

解決済

回答 2

投稿

  • 評価
  • クリップ 0
  • VIEW 783

kohekoh

score 122

pythonでtfidfの処理に時間がかかるので、並列処理をしています
しかし、速度が並列化していない処理よりも5秒ほど遅くなるので(並列化していない時は15秒ほど)
cProfileコマンドを用いたところ
普通に実行した際にはでないエラーのようなものがでています

import nltk
import numpy as np
import json
import time
from multiprocessing import Pool
import sys

def subcalc(word, collection):
    subdoc = []
    lists = []
    wo=[]
    for term in set(word):
        if(collection.tf_idf(term, word) > 0):
            wo.append([term,collection.tf_idf(term, word)]) #ここも上のサイトにのってる
    wo.sort(key=lambda x:x[1]) #keyに無名関数lambdaをいれてる woの1番目の要素(WO(1,2)だったら”2”)でソート
    wo.reverse()
    try:
        slice1 = np.array(wo[:20]) #先頭の文字から終了インデックスまでが抽出
        lists = slice1[:,0] #[:]は戦闘から終了のインデックスまで抽出と、slice1の0番目を格納
        subdoc.append(list(lists)) #listsが文字列だから、リストに格納
        del wo
    except:
        print(wo)
    return subdoc

def tfidf():
    t1 = time.time()
    doc0 = []
    doc = []
    word0 = []
    word = []
    f = open("/Users/uuu/Desktop/Dropbox/prg/dataset/word0_a.txt") #/Users/uuu/Desktop/Dropbox/prg/dataset
    for row in f:
        word0.append(row.split("]["))
    f.close()
    for i in word0:  #word0[0] #普通の時(形態素解析したテキストが改行されてない時) #word0 #改行されてる時
        word.append(str(i).replace("[","").replace("]","").replace(",","").replace("'","").replace("\"","").split())
    #word.pop()
    ttt = time.time()
    p = Pool()
    collection = nltk.TextCollection(word) #サイトにのっていた
    words = [(i, collection) for i in word]
    doc = p.starmap(subcalc, words) #複数コアによる実行
    t3 = time.time()
    print('processing time2(終わり): ' + str(t3 - ttt) + '(sec)')

if __name__ == "__main__":
    tfidf()

-----------------------------------------------------------------
cProfile 実行結果(エラー部分のみ)

Traceback (most recent call last):
  File "C:\Users\uuu\AppData\Local\conda\conda\envs\anaconda\lib\runpy.py", line 193, in _run_module_as_main
    "__main__", mod_spec)
  File "C:\Users\uuu\AppData\Local\conda\conda\envs\anaconda\lib\runpy.py", line 85, in _run_code
    exec(code, run_globals)
  File "C:\Users\uuu\AppData\Local\conda\conda\envs\anaconda\lib\cProfile.py", line 160, in <module>
    main()
  File "C:\Users\uuu\AppData\Local\conda\conda\envs\anaconda\lib\cProfile.py", line 153, in main
    runctx(code, globs, None, options.outfile, options.sort)
  File "C:\Users\uuu\AppData\Local\conda\conda\envs\anaconda\lib\cProfile.py", line 20, in runctx
    filename, sort)
  File "C:\Users\uuu\AppData\Local\conda\conda\envs\anaconda\lib\profile.py", line 64, in runctx
    prof.runctx(statement, globals, locals)
  File "C:\Users\uuu\AppData\Local\conda\conda\envs\anaconda\lib\cProfile.py", line 100, in runctx
    exec(cmd, globals, locals)
  File "tfidf(speedy).py", line 80, in <module>
    tfidf()
  File "tfidf(speedy).py", line 66, in tfidf
    doc = p.starmap(subcalc, words) #複数コアによる実行
  File "C:\Users\uuu\AppData\Local\conda\conda\envs\anaconda\lib\multiprocessing\pool.py", line 268, in starmap
    return self._map_async(func, iterable, starmapstar, chunksize).get()
  File "C:\Users\uuu\AppData\Local\conda\conda\envs\anaconda\lib\multiprocessing\pool.py", line 608, in get
    raise self._value
  File "C:\Users\uuu\AppData\Local\conda\conda\envs\anaconda\lib\multiprocessing\pool.py", line 385, in _handle_tasks
    put(task)
  File "C:\Users\uuu\AppData\Local\conda\conda\envs\anaconda\lib\multiprocessing\connection.py", line 206, in send
    self._send_bytes(_ForkingPickler.dumps(obj))
  File "C:\Users\uuu\AppData\Local\conda\conda\envs\anaconda\lib\multiprocessing\reduction.py", line 51, in dumps
    cls(buf, protocol).dump(obj)
_pickle.PicklingError: Can't pickle <function subcalc at 0x0000016615E9F048>: attribute lookup subcalc on __main__ failed

pickle化ができませんというエラーのようなのですが
この部分に速度が速くならない要因があるのでしょうか
あと、対処法があれば教えていただきたいです

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 2

checkベストアンサー

+1

どうやら multiprocessingを使ってるコードに対して、コマンドラインからcProfileは使用できないみたいですね。

とりあえず、コードに

if __name__ == "__main__":
    import cProfile
    cProfile.run('tfidf()')

のように cProfile を埋め込んでみたください。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2017/07/28 10:41

    できました、ありがとうございます
    ということはこの処理の遅さとは関係ないということですね…

    キャンセル

  • 2017/07/28 11:05

    結果を見る限り、待機時間が多い気がします。
    ここからは私の推測ですが、
    Poolの場合は結果の順番を保証しておりますので、たとえば4パラで実行ても4つの処理が全て完了しないと次の4つ処理を行えないことになり、1つでも処理時間の長いタスクがあると他の3つが待機となります。
    ですので、今回のように「タスクが大量にある」場合、その待ち時間が累積されるため不利に働いているのではないでしょうか。

    キャンセル

  • 2017/07/28 11:09

    ということは待機時間を減らすしかないということですかね

    キャンセル

0

multiprocessingのworkerに渡す関数にpickle化不可能なオブジェクトを渡すことはできません。
https://docs.python.jp/3/library/multiprocessing.html

cProfileをつけた際に発生するエラーなら、適切に計測できていなさそうです。
(例えば、クロージャなどはpickle化できないのですが。そのような値に変換されてmultiprocessingのworkerに渡されてしまっているかもしれません)

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

同じタグがついた質問を見る

  • Python

    11753questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。