python - 使用 Python (Pandas) 的新计算列的性能影响

Question

我正在使用 Python、numpy 等，目的是进入 tensorflow 和机器学习并真正理解一切，而不仅仅是“如何运行”部分。

在许多情况下，我需要使用 matplotlib 预处理数据以进行可视化，并且我不确定是否有更高效的方法甚至“即时”处理来有效地获得与下面的代码返回(df 是 pandas 数据框):

def calculate(s):
cl = 100 if s["income-class"] == "<=50K" else 300
return cl


df["incomeClassNum"] = df.apply(lambda row: calculate(row), axis=1)

plt.scatter(df[["age"]], df[["education-num"]], s=df["incomeClassNum"])
plt.show()

感谢您的建议和反馈，马丁

Answer 1

使用矢量化numpy.where :

df["incomeClassNum"] = np.where(df["income-class"] == "<=50K", 100, 300)

plt.scatter(df["age"], df["education-num"], s=df["incomeClassNum"])

而且似乎没有必要新列:

incomeClassNum = np.where(df["income-class"] == "<=50K", 100, 300)

plt.scatter(df["age"], df["education-num"], s=incomeClassNum )