- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
编辑:如果这不是问题的话,这是循环上方的代码,可以获取更多有用的答案。
import os
import pandas as pd
import numpy
import csv
from math import *
ParcelSize = 50
UARFCN = 3087
y= r"C:\Users\Heba R\Desktop\GP\Pilot1.csv"
x= r"C:\Users\Heba R\Desktop\GP\Cell.csv"
scanner_File = pd.read_csv(y)
Cell_file = pd.read_csv(x)
Cells = Cell_file[['Cell', 'Lat', 'Lon', 'SC', 'UARFCN', 'ANT_DIRECTION']]
scanner = scanner_File[
['Latitude', 'Longitude', 'PSC: Top #1 (UARFCN #01)', 'Sc Aggr Ec (dBm): Top #1 (UARFCN #01)',
'Sc Aggr Ec/Io (dB): Top #1 (UARFCN #01)',
'PSC: Top #2 (UARFCN #01)', 'Sc Aggr Ec (dBm): Top #2 (UARFCN #01)', 'Sc Aggr Ec/Io (dB): Top #2 (UARFCN #01)',
'PSC: Top #3 (UARFCN #01)', 'Sc Aggr Ec (dBm): Top #3 (UARFCN #01)', 'Sc Aggr Ec/Io (dB): Top #3 (UARFCN #01)',
'PSC: Top #4 (UARFCN #01)', 'Sc Aggr Ec (dBm): Top #4 (UARFCN #01)', 'Sc Aggr Ec/Io (dB): Top #4 (UARFCN #01)',
'PSC: Top #5 (UARFCN #01)', 'Sc Aggr Ec (dBm): Top #5 (UARFCN #01)', 'Sc Aggr Ec/Io (dB): Top #5 (UARFCN #01)',
'PSC: Top #6 (UARFCN #01)', 'Sc Aggr Ec (dBm): Top #6 (UARFCN #01)', 'Sc Aggr Ec/Io (dB): Top #6 (UARFCN #01)',
'PSC: Top #7 (UARFCN #01)', 'Sc Aggr Ec (dBm): Top #7 (UARFCN #01)', 'Sc Aggr Ec/Io (dB): Top #7 (UARFCN #01)',
'PSC: Top #8 (UARFCN #01)', 'Sc Aggr Ec (dBm): Top #8 (UARFCN #01)', 'Sc Aggr Ec/Io (dB): Top #8 (UARFCN #01)',
'PSC: Top #9 (UARFCN #01)', 'Sc Aggr Ec (dBm): Top #9 (UARFCN #01)',
'Sc Aggr Ec/Io (dB): Top #9 (UARFCN #01)']]
scanner_size = scanner.shape[0]
cells_size = Cells.shape[0]
def CalcDistanceM(lat1, lon1, lat2, lon2):
lat1, lon1, lat2, lon2 = map(radians, [lat1, lon1, lat2, lon2]) #convert decimal to rad
#haversine formula to calculate two points great circle distance on earth
dlon = lon2 - lon1
dlat = lat2 - lat1
a = sin(dlat / 2) ** 2 + cos(lat1) * cos(lat2) * sin(dlon / 2) ** 2
c = 2 * atan2(sqrt(a), sqrt(1 - a))
distance = 6371 * c * 1000 #radius of earth in km =6371
return distance
def fn_CalcParcelID(Pos, ParcelUnitSize):
if (Pos == 500): # null parcel
Result = int(50000000)
elif (Pos < 0):
Result = int(Pos * 100000) - ParcelUnitSize + (int(Pos * 100000) % ParcelUnitSize)
else:
Result = int(Pos * 100000) - (int(Pos * 100000) % ParcelUnitSize)
return int(Result)
A1=pd.DataFrame(columns=['Latitude','Longitude','PSC','EcNo','RSCP'])
A2=pd.DataFrame(columns=['Latitude','Longitude','PSC','EcNo','RSCP'])
A3=pd.DataFrame(columns=['Latitude','Longitude','PSC','EcNo','RSCP'])
A4=pd.DataFrame(columns=['Latitude','Longitude','PSC','EcNo','RSCP'])
A5=pd.DataFrame(columns=['Latitude','Longitude','PSC','EcNo','RSCP'])
A6=pd.DataFrame(columns=['Latitude','Longitude','PSC','EcNo','RSCP'])
A7=pd.DataFrame(columns=['Latitude','Longitude','PSC','EcNo','RSCP'])
A8=pd.DataFrame(columns=['Latitude','Longitude','PSC','EcNo','RSCP'])
A9=pd.DataFrame(columns=['Latitude','Longitude','PSC','EcNo','RSCP'])
for i in range (scanner_size):
#if isnan(scanner['PSC: Top #1 (UARFCN #01)'][i]) == False:
if (scanner['PSC: Top #1 (UARFCN #01)'][i]) != -1 :
A1 = A1.append({ 'Latitude': scanner['Latitude'][i], 'Longitude': scanner['Longitude'][i],
'PSC': scanner['PSC: Top #1 (UARFCN #01)'][i],'EcNo': scanner['Sc Aggr Ec/Io (dB): Top #1 (UARFCN #01)'][i],'RSCP': scanner['Sc Aggr Ec (dBm): Top #1 (UARFCN #01)'][i]}, ignore_index=True)
if (scanner['PSC: Top #2 (UARFCN #01)'][i]) !=-1:
A2 = A2.append({'Latitude': scanner['Latitude'][i], 'Longitude': scanner['Longitude'][i],
'PSC': scanner['PSC: Top #2 (UARFCN #01)'][i],
'EcNo': scanner['Sc Aggr Ec/Io (dB): Top #2 (UARFCN #01)'][i],
'RSCP': scanner['Sc Aggr Ec (dBm): Top #2 (UARFCN #01)'][i]}, ignore_index=True)
if (scanner['PSC: Top #3 (UARFCN #01)'][i]) != -1:
A3 = A3.append({'Latitude': scanner['Latitude'][i], 'Longitude': scanner['Longitude'][i],
'PSC': scanner['PSC: Top #3 (UARFCN #01)'][i],
'EcNo': scanner['Sc Aggr Ec/Io (dB): Top #3 (UARFCN #01)'][i],
'RSCP': scanner['Sc Aggr Ec (dBm): Top #3 (UARFCN #01)'][i]}, ignore_index=True)
if (scanner['PSC: Top #4 (UARFCN #01)'][i]) != -1:
A4 = A4.append({'Latitude': scanner['Latitude'][i], 'Longitude': scanner['Longitude'][i],
'PSC': scanner['PSC: Top #4 (UARFCN #01)'][i],
'EcNo': scanner['Sc Aggr Ec/Io (dB): Top #4 (UARFCN #01)'][i],
'RSCP': scanner['Sc Aggr Ec (dBm): Top #4 (UARFCN #01)'][i]}, ignore_index=True)
if (scanner['PSC: Top #5 (UARFCN #01)'][i]) != -1:
A5 = A5.append({'Latitude': scanner['Latitude'][i], 'Longitude': scanner['Longitude'][i],
'PSC': scanner['PSC: Top #5 (UARFCN #01)'][i],
'EcNo': scanner['Sc Aggr Ec/Io (dB): Top #5 (UARFCN #01)'][i],
'RSCP': scanner['Sc Aggr Ec (dBm): Top #5 (UARFCN #01)'][i]}, ignore_index=True)
if (scanner['PSC: Top #6 (UARFCN #01)'][i]) != -1:
A6 = A6.append({'Latitude': scanner['Latitude'][i], 'Longitude': scanner['Longitude'][i],
'PSC': scanner['PSC: Top #6 (UARFCN #01)'][i],
'EcNo': scanner['Sc Aggr Ec/Io (dB): Top #6 (UARFCN #01)'][i],
'RSCP': scanner['Sc Aggr Ec (dBm): Top #6 (UARFCN #01)'][i]}, ignore_index=True)
if (scanner['PSC: Top #7 (UARFCN #01)'][i]) != -1:
A7 = A7.append({'Latitude': scanner['Latitude'][i], 'Longitude': scanner['Longitude'][i],
'PSC': scanner['PSC: Top #7 (UARFCN #01)'][i],
'EcNo': scanner['Sc Aggr Ec/Io (dB): Top #7 (UARFCN #01)'][i],
'RSCP': scanner['Sc Aggr Ec (dBm): Top #7 (UARFCN #01)'][i]}, ignore_index=True)
if (scanner['PSC: Top #8 (UARFCN #01)'][i]) != -1:
A8 = A8.append({'Latitude': scanner['Latitude'][i], 'Longitude': scanner['Longitude'][i],
'PSC': scanner['PSC: Top #8 (UARFCN #01)'][i],
'EcNo': scanner['Sc Aggr Ec/Io (dB): Top #8 (UARFCN #01)'][i],
'RSCP': scanner['Sc Aggr Ec (dBm): Top #8 (UARFCN #01)'][i]}, ignore_index=True)
if (scanner['PSC: Top #9 (UARFCN #01)'][i]) != -1:
A9 = A9.append({'Latitude': scanner['Latitude'][i], 'Longitude': scanner['Longitude'][i],
'PSC': scanner['PSC: Top #9 (UARFCN #01)'][i],
'EcNo': scanner['Sc Aggr Ec/Io (dB): Top #9 (UARFCN #01)'][i],
'RSCP': scanner['Sc Aggr Ec (dBm): Top #9 (UARFCN #01)'][i]}, ignore_index=True)
A=pd.concat([A1,A2,A3,A4,A5,A6,A7,A8,A9],sort=False)
A = A[~A[['Latitude','Longitude','PSC','EcNo','RSCP']].apply(frozenset, axis=1).duplicated()] #~ is bitwise not frozenset elem remain unchanged after creation
A.to_csv('table_data_pilot.csv',index=True)
A = pd.read_csv('table_data_pilot.csv')
#A=A.iloc[:50,:].reset_index()
A_size = A.shape[0]
for i in range(A_size):
j = i +1
for j in range (A_size):
dLat=A['Latitude'][i] - A['Latitude'][j]
dLon=A['Longitude'][i] - A['Longitude'][j]
if abs(dLat) < 0.00045 and abs(dLon) < 0.00045:
distance = CalcDistanceM(A['Latitude'][j], A['Longitude'][j],
A['Latitude'][i],
A['Longitude'][i])
print (distance)
B1 = pd.DataFrame(columns=['Lat','Lon','UARFCN','PSC','SC_Avg_EcNo','SC_Avg_RSCP'])
首先,我刚刚开始接触Python,所以我没有太多的知识。我试图搜索类似的问题,但找不到合适的解决方案。我使用以下代码:
for i in range(A_size):
x1=float(fn_CalcParcelID(A['Latitude'][i], ParcelSize) )/ 100000
x2=float(fn_CalcParcelID(A['Longitude'][i], ParcelSize) ) / 100000
B1 = B1.append({'Lat': x1, 'Lon': x2,
'PSC': A ['PSC'][i],
'UARFCN':UARFCN,
'SC_Avg_EcNo':A['EcNo'][i],
'SC_Avg_RSCP': A['RSCP'][i]
}, ignore_index=True)
B1.to_csv('B1.csv')
循环的目的是计算新的纬度和经度,然后创建一个新的 csv 文件。A 是一个 csv 文件,大约有 23000 行和 42 列
最佳答案
一般来说,您应该尽可能避免使用 for
循环迭代 Pandas DataFrame。
关于 Iteration 的 Pandas 文档说:
Warning
Iterating through pandas objects is generally slow. In many cases, iterating manually over the rows is not needed and can be avoided with one of the following approaches:
Look for a vectorized solution: many operations can be performed using built-in methods or NumPy functions, (boolean) indexing, …
When you have a function that cannot work on the full DataFrame/Series at once, it is better to use
apply()
instead of iterating over the values. See the docs on function application.
此外,使用 append()
在循环内向 DataFrame 添加新行是相当有问题的。
关于 Concat 的文档解释一下:
Adding a column to a DataFrame is relatively fast. However, adding a row requires a copy, and may be expensive. We recommend passing a pre-built list of records to the DataFrame constructor instead of building a DataFrame by iteratively appending records to it. See Appending to dataframe for more.
如果在循环中执行此操作,则循环的每次迭代都会将所有数据从 DataFrame 复制到新的 DataFrame,只是为了添加一行。此外,此操作每次都会变得更加昂贵,因为 DataFrame 不断增长,并且每次都会有更多数据需要复制。
<小时/>在您的具体情况下,您可以轻松避免大部分情况,方法是将 A 作为一个整体处理,生成要附加到 B1 的所有行,然后执行单个 em> append()
操作,意味着只需复制 B1 一次即可。
把它们放在一起:
rows_to_add = pd.DataFrame({
'Lat': A['Latitude'].apply(
lambda x: fn_CalcParcelID(x, ParcelSize) / 100000.0
),
'Lon': A['Longitude'].apply(
lambda x: fn_CalcParcelID(x, ParcelSize) / 100000.0
),
'PSC': A['PSC'],
'UARFCN': UARFCN,
'SC_Avg_EcNo': A['EcNo'],
'SC_Avg_RSCP': A['RSCP'],
})
B1 = B1.append(rows_to_add, ignore_index=True)
这应该可以让您从运行几分钟而看不到结束的情况到在几秒钟内完成此操作。
您可以通过使用矢量化运算实现 fn_CalcParcelID()
来进一步优化它。 (很难告诉我们如何做到这一点,因为您没有向我们展示该函数的实现。)但是第一个优化可能就是您所需要的。如果您觉得值得,请提出有关矢量化 fn_CalcParcelID()
的新问题。
更新:您的代码第一部分确实有一个相同问题的版本,您在其中循环遍历 scanner
CSV 文件并将其重新组织为A1 至 A9。 (每个 for
循环内都有一个 A1 = A1.append(...)
,因此循环中也有附加内容!)
您可以通过以下方式解决这个问题:
A1_rows = scanner[scanner['PSC: Top #1 (UARFCN #01)'] != -1]
A1 = pd.DataFrame({
'Latitude': A1_rows['Latitude'],
'Longitude': A1_rows['Longitude'],
'PSC': A1_rows['PSC: Top #1 (UARFCN #01)'],
'EcNo': A1_rows['Sc Aggr Ec/Io (dB): Top #1 (UARFCN #01)'],
'RSCP': A1_rows['Sc Aggr Ec (dBm): Top #1 (UARFCN #01)'],
})
其他 8 个类似的 DataFrame 也类似。
关于python - For 循环花费的时间太长,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/60136138/
您好,我是使用 xampp 的 PHPmyadmin 新手,没有 MYSQL 背景。当我喜欢研究它是如何工作的时,我的脑海中浮现出一个想法,它让我一周都无法休眠,因为我似乎无法弄清楚如何使用 MIN(
Go docs say (强调): Programs using times should typically store and pass them as values, not pointers.
我有一组用户在 8 月 1 日有一个条目。我想找到在 8 月 1 日有条目但在 8 月 2 日没有做任何事情的用户。 现在是 10 月,所以事件已经过去很久了。 我有限的知识说: SELECT * F
我有以下代码,主要编码和取消编码时间结构。这是代码 package main import ( "fmt" "time" "encoding/json" ) type chec
您能详细解释一下“用户 CPU 时间”和“系统 CPU 时间”吗?我读了很多,但我不太理解。 最佳答案 区别在于时间花在用户空间还是内核空间。用户 CPU 时间是处理器运行程序代码(或库中的代码)所花
应用程序不计算东西,但做输入/输出、读取文件、使用网络。我希望探查器显示它。 我希望像 callgrind 中的东西一样,在每个问题中调用 clock_gettime。 或者像 oprofile 那样
目前我的 web 应用程序接收 websocket 数据来触发操作。 这会在页面重新加载时中断,因此我需要一个能够触发特定事件的客户端解决方案。 这个想法可行吗? 假设你有 TimeX = curre
很难说出这里问的是什么。这个问题是含糊的、模糊的、不完整的、过于宽泛的或修辞性的,无法以目前的形式得到合理的回答。如需帮助澄清此问题以便重新打开它,visit the help center 。 已关
我有一个 Instant (org.joda.time.Instant) 的实例,我在一些 api 响应中得到它。我有另一个来自 (java.time.Instant) 的实例,这是我从其他调用中获得
如何集成功能 f(y) w.r.t 时间;即 'y'是一个包含 3000 个值和值 time(t) 的数组从 1 到 3000 不等。所以,在整合 f(y) 后我需要 3000 个值. 积分将是不确定
可以通过 CLI 创建命名空间,但是如何使用 Java SDK 来创建命名空间? 最佳答案 它以编程方式通过 gRPC API 完成由服务公开。 在 Java 中,生成的 gRPC 客户端可以通过 W
我有一个函数,它接受 2 组日期(开始日期和结束日期),这些日期将用于我的匹配引擎 我必须知道start_date1和end_date1是否在start_date2和end_date2内 快进:当我在
我想从 Python 脚本运行“time”unix 命令,以计算非 Python 应用程序的执行时间。我会使用 os.system 方法。有什么方法可以在Python中保存这个输出吗?我的目标是多次运
我正在寻找一种“漂亮的数字”算法来确定日期/时间值轴上的标签。我熟悉 Paul Heckbert's Nice Numbers algorithm . 我有一个在 X 轴上显示时间/日期的图,用户可以
在 PowerShell 中,您可以格式化日期以返回当前小时,如下所示: Get-Date -UFormat %H 您可以像这样在 UTC 中获取日期字符串: $dateNow = Get-Date
我正在尝试使用 Javascript 向父子窗口添加一些页面加载检查功能。 我的目标是“从父窗口”检测,每次子窗口完全加载然后执行一些代码。 我在父窗口中使用以下代码示例: childPage=wi
我正在尝试设置此 FFmpeg 命令的 drawtext 何时开始,我尝试使用 start_number 但看起来它不会成功。 ffmpeg -i 1.mp4 -acodec aac -keyint_
我收到了一个 Excel (2010) 电子表格,它基本上是一个文本转储。 单元格 - J8 具有以下信息 2014 年 2 月 4 日星期二 00:08:06 EST 单元格 - L8 具有以下信息
我收到的原始数据包含一列具有以下日期和时间戳格式的数据: 2014 年 3 月 31 日凌晨 3:38 单元格的格式并不一致,因为有些单元格有单个空格,而另一些单元格中有两个或三个字符之间的空格。所以
我想知道是否有办法在我的 Grails 应用程序顶部显示版本和构建日期。 编辑:我应该说我正在寻找构建应用程序的日期/时间。 最佳答案 在您的主模板中,或任何地方。 Server version:
我是一名优秀的程序员,十分优秀!