Pandas：在dropna之后就地重命名的性能下降

Pandas：在dropna之后就地重命名的性能下降

这是github上解释的副本。

有 没有保证 ，一个

inplace

*** 作实际上要快。通常，它们实际上是与副本相同的 *** 作，但是会重新分配顶级引用。

在这种情况下，性能差异的原因如下。

该

(df1-df2).dropna()

调用将创建数据帧的一部分。当您应用新 *** 作时，这会触发

SettingWithCopy

检查，因为它 可能
是副本（但通常不是）。

此检查必须执行垃圾回收以清除一些缓存引用，以查看它是否是副本。不幸的是，python语法使这种情况不可避免。

您只需要先制作一个副本就不会发生这种情况。

df = (df1-df2).dropna().copy()

接下来的

inplace

*** 作将和以前一样出色。

我个人的看法：我 从不 使用就地 *** 作。语法较难阅读，没有任何优势。