pythonでtfidfを並列化

Question

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

Answer 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。

Comments

[kohekoh]

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…

[magichan]

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。

[kohekoh]

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

Answer 2

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)