数据处理赏罚必看：怎样让你的Pandas轮回加速71803倍

我们可以将 apply 与 Lambda 函数一路行使。我们要做的就是指定轴。在这种环境下，我们必需行使 axis=1，由于我们要执行一个列操纵：

此代码乃至比早年的要领更快，只必要 27 毫秒就能完成。

pandas 矢量化——快 9280 倍

此刻我们可以接头一个新话题了。我们操作矢量化的利益来建设真正快速的代码。重点是停止像前面的例子 [1] 中那样的 Python 级轮回，并行使优化的 C 代码，这个代码行使内存的服从更高。我们只必要轻微修改函数：

df['Draws'] = 'No_Game'     
        df.loc[((home == TEAM) & (ftr == 'D')) | ((away == TEAM) & (ftr == 'D')), 'Draws'] = 'Draw' 
       df.loc[((home == TEAM) & (ftr != 'D')) | ((away == TEAM) & (ftr != 'D')), 'Draws'] = 'No_Draw'  
       def soc_iter(TEAM,home,away,ftr):     

此刻我们可以用 pandas series 作为输入建设新列：

在这种环境下，我们乃至不必要轮回。我们要做的就是调解函数的内容。此刻我们可以直接将 pandas series 转达给我们的函数，这会导致庞大的速率增益。

Numpy 矢量化——速率快 71.803 倍

在前面的示例中，我们将 pandas series 转达给了函数。通过添加.values，我们收到一个 Numpy 数组：

Numpy 数组很是快，我们的代码运行时刻为 0305 毫秒，比开始行使的尺度轮回快 71803 倍。

结论

假如您行使 python、pandas 和 Numpy 举办数据说明，那么代码总会有一些改造空间。我们较量了五种差异的要领，在计较的基本上增进了一个新的列到我们的数据框架中。我们留意到在速率方面存在庞大差别：

假如你从这篇文章中选择两条法则，我会很兴奋：

• 假如确定必要行使轮回，则应始终选择 apply 要领
• 不然，矢量化老是更好的，由于它更快

本文转自雷锋网，如需转载请至雷锋网官网申请授权。

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!