python – 为什么在一个案例中快速更改pandas数据框的列中的值而在另一个案例中更慢？

概述我有两段似乎做同样事情的代码但是一条代码比另一条快几千倍. 这是第一篇： t1 = time.time()df[new_col] = np.where(df[col] < j, val_1, val_2)t2 = time.time()ts.append(t2 - t1) 在ts我有以下价值观： 0.0007321834564208984, 0.0002918243408203125, 0. 我有两段似乎做同样事情的代码但是一条代码比另一条快几千倍.

这是第一篇：

t1 = time.time()df[new_col] = np.where(df[col] < j,val_1,val_2)t2 = time.time()ts.append(t2 - t1)

在ts我有以下价值观：

0.0007321834564208984,0.0002918243408203125,0.0002799034118652344

相比之下,这部分代码：

t1 = time.time()df['new_col'] = np.where((df[col] >= i1) & (df[col] < i2),val,df.new_col)t2 = time.time()ts.append(t2 - t1)

创建使用以下值填充的ts：

0.11008906364440918,0.09556794166564941,0.08580684661865234

我无法弄清楚第一次和第二次任务之间的本质区别.

在这两种情况下,df应该是相同的.

添加

事实证明,本质区别并不在我所看到的地方.在快速版本的代码我有：

df = inp_df.copy()

在类方法的开头(其中inp_df是方法的输入数据框).在慢速版本中,我直接在输入数据框上 *** 作.复制输入数据帧并对其进行 *** 作后,它变得很快.

解决方法 第一次只使用一个条件,因此它应该比检查这两个条件更快.简单的例子使用ipython：

In [3]: %timeit 1 < 2                                                                                                                                         20.4 ns ± 0.434 ns per loop (mean ± std. dev. of 7 runs,10000000 loops each)In [4]: %timeit 1 >= 0 & 1 < 2                                                                                                                                37 ns ± 1.37 ns per loop (mean ± std. dev. of 7 runs,10000000 loops each)

总结

以上是内存溢出为你收集整理的python – 为什么在一个案例中快速更改pandas数据框的列中的值而在另一个案例中更慢？全部内容，希望文章能够帮你解决python – 为什么在一个案例中快速更改pandas数据框的列中的值而在另一个案例中更慢？所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。