Python:如何使机器学习预测在生产中运行得更快

我在scikit-learn中创建了一个机器学习模型，需要在生产中使用实时数据进行部署。功能如下所示，例如：

date          event_id  user_id     feature1    feature2    featureX...
2017-01-27    100       5555        1.23        2           2.99
2017-01-27    100       4444        2.55        5           3.16
2017-01-27    100       3333        0.45        3           1.69
2017-01-27    105       1212        3.96        4           0.0
2017-01-27    105       2424        1.55        2           5.56
2017-01-27    105       3636        0.87        4           10.28

所以，每天都有不同的活动。在事件开始之前，我基本上通过从数据库中提取它们来将其存储在数据帧中，并使用pickle scikit模型计算预测，如下所示：

df_X = df.drop(['date', 'event_id', 'user_id'], axis=1)
loaded_model = joblib.load("model.joblib.dat")
prediction = loaded_model.predict_proba(df_X)

然后，我将预测匹配回df，并根据需要将其作为输出发送到API或文件。

当事件启动时，featureX会不断更新，这是我从API获得的。为了进行更新，我使用的循环遍历每个event_id和user_id，并用新的featureX值更新df，重新计算并再次发送到输出。

为此，我正在做这样的事情：

# get list of unique event ids
events = set(df['event_id'].tolist())
try:
while True:
start = time.time()
for event in events:
featureX = request.get(API_URL + event)
featureX_json = featureX.json()
for user in featureX_json['users']:
df.loc[df.user_id == user['user_id'],
'featureX'] = user['featureX']
df_X = df.drop(['date', 'event_id', 'user_id'], axis=1)
df['prediction'] = loaded_model.predict_proba(df_X)
# send to API or write to file
end = time.time()
print('recalculation time {} secs'.format(end - start))
except KeyboardInterrupt:
print('exiting !')

这对我来说很好，但整个预测更新在服务器上大约需要4秒，我需要它在1秒以下。我正试图弄清楚我可以在while loop中更改什么来获得我需要的加速？

在请求event_id = 100时添加了json的示例URLhttp://myapi/api/event_users/<event_id>:

{
"count": 3,
"users": [
{
"user_id": 4444,
"featureY": 34,
"featureX": 4.49,
"created": "2017-01-17T13:00:09.065498Z"
},
{
"user_id": 3333,
"featureY": 22,
"featureX": 1.09,
"created": "2017-01-17T13:00:09.065498Z"
},
{
"user_id": 5555,
"featureY": 58,
"featureX": 9.54,
"created": "2017-01-17T13:00:09.065498Z"
}
]
}