- 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?
从 python2 切换到 python3 后,我们注意到我们的生产系统变慢了很多。我们能够将大部分减速隔离到下面的行......从我们用于窗口信号的 Pandas 数据帧中选择行。
ix = ts[(ts >= start) & (ts <= stop)].index.tolist()
当我们在 Python2.7.12 (pandas 0.17.0) 和 Python3.5.2 (pandas 0.23.3) 中运行相同的代码时……我们得到不同的速度。 Python3 需要几乎两倍的时间。 (在我的笔记本电脑上运行 Ubuntu 16.04 VM,Python2=14.9sec vs Python3=28.4sec)
import os
import pandas
import timeit
ts_df = pandas.DataFrame([[1.032,3.480653,-1,2.448653],
[3.480653,3.792538,0,0.311886],
[3.792538,12.022123,1,8.229585],
[12.022123,21.91544,0,9.893317],
[21.91544,23.850186,-1,1.934746],
[23.850186,26.495987,0,2.6458],
[26.495987,30.09994,1,3.603953],
[30.09994,31.679636,0,1.579696],
[31.679636,33.491384,-1,1.811748],
[33.491384,35.549925,0,2.058541],
[35.549925,37.267455,-1,1.71753],
[37.267455,37.665347,0,0.397893],
[37.665347,40.038281,1,2.372933],
[40.038281,40.292786,0,0.254505],
[40.292786,43.168465,-1,2.875679],
[43.168465,46.916554,0,3.74809],
[46.916554,48.510315,1,1.593761],
[48.510315,61.023221,0,12.512907],
[61.023221,61.426129,-1,0.402908],
[61.426129,63.271943,0,1.845813],
[63.271943,66.097349,1,2.825406],
[66.097349,68.298797,0,2.201448],
[68.298797,70.465333,1,2.166536],
[70.465333,77.336305,0,6.870972],
[77.336305,85.306432,1,7.970127],
[85.306432,87.363149,0,2.056717],
[87.363149,90.143931,-1,2.780782],
[90.143931,90.538878,0,0.394947],
[90.538878,94.289258,1,3.75038],
[94.289258,96.178212,0,1.888954]], columns=['startTimeIndex','stopTimeIndex','value','duration'])
def indexMe1(ts, start, stop):
ts = ts['startTimeIndex']
ix = ts[(ts >= start) & (ts <= stop)].index.tolist()
return ix
if __name__ == "__main__":
print('indexMe1:')
print(indexMe1(ts_df, 5, 22))
print(timeit.timeit("indexMe1(ts_df, 5, 22)",
setup="from __main__ import indexMe1, ts_df",
number=10000))
最佳答案
感谢 Jan 在这方面的工作!
回答自己的问题只是为了记录我的发现。
至于为什么会这样......
发现我们的 python 和 Pandas 版本的组合导致速度变慢。
至于如何恢复速度...
当我迁移到 python3.8.5 和 pandas1.1.0 时,我们在 python3 中看到的减速消失了。
关于Python2 在 Pandas DataFrame 中选择数据的速度比 Python3 快......为什么?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/63184369/
假设我有 3 个 DataFrame。其中一个 DataFrame 的列名不在其他两个中。 using DataFrames df1 = DataFrame([['a', 'b', 'c'], [1,
假设我有 3 个 DataFrame。其中一个 DataFrame 的列名不在其他两个中。 using DataFrames df1 = DataFrame([['a', 'b', 'c'], [1,
我有一个 largeDataFrame(多列和数十亿行)和一个 smallDataFrame(单列和 10,000 行)。 只要 largeDataFrame 中的 some_identifier 列
我有一个函数,可以在其中规范化 DataFrame 的前 N 列。我想返回规范化的 DataFrame,但不要管原来的。然而,该函数似乎也会对传递的 DataFrame 进行变异! using D
我想在 Scala 中使用指定架构在 DataFrame 上创建。我尝试过使用 JSON 读取(我的意思是读取空文件),但我认为这不是最佳实践。 最佳答案 假设您想要一个具有以下架构的数据框: roo
我正在尝试从数据框中删除一些列,并且不希望返回修改后的数据框并将其重新分配给旧数据框。相反,我希望该函数只修改数据框。这是我尝试过的,但它似乎并没有做我所除外的事情。我的印象是参数是作为引用传递的,而
我有一个包含大约 60000 个数据的庞大数据集。我会首先使用一些标准对整个数据集进行分组,接下来我要做的是将整个数据集分成标准内的许多小数据集,并自动对每个小数据集运行一个函数以获取参数对于每个小数
我遇到了以下问题,并有一个想法来解决它,但没有成功:我有一个月内每个交易日的 DAX 看涨期权和看跌期权数据。经过转换和一些计算后,我有以下 DataFrame: DaxOpt 。现在的目标是消除没有
我正在尝试做一些我认为应该是单行的事情,但我正在努力把它做好。 我有一个大数据框,我们称之为lg,还有一个小数据框,我们称之为sm。每个数据帧都有一个 start 和一个 end 列,以及多个其他列所
我有一个像这样的系列数据帧的数据帧: state1 state2 state3 ... sym1 sym
我有一个大约有 9k 行和 57 列的数据框,这是“df”。 我需要一个新的数据框:'df_final'- 对于“df”的每一行,我必须将每一行复制“x”次,并将每一行中的日期逐一增加,也就是“x”次
假设有一个 csv 文件如下: # data.csv 0,1,2,3,4 a,3.0,3.0,3.0,3.0,3.0 b,3.0,3.0,3.0,3.0,3.0 c,3.0,3.0,3.0,3.0,3
我只想知道是否有人对以下问题有更优雅的解决方案: 我有两个 Pandas DataFrame: import pandas as pd df1 = pd.DataFrame([[1, 2, 3], [
我有一个 pyspark 数据框,我需要将其转换为 python 字典。 下面的代码是可重现的: from pyspark.sql import Row rdd = sc.parallelize([R
我有一个 DataFrame,我想在 @chain 的帮助下对其进行处理。如何存储中间结果? using DataFrames, Chain df = DataFrame(a = [1,1,2,2,2
我有一个包含 3 列的 DataFrame,名为 :x :y 和 :z,它们是 Float64 类型。 :x 和 "y 在 (0,1) 上是 iid uniform 并且 z 是 x 和 y 的总和。
这个问题在这里已经有了答案: pyspark dataframe filter or include based on list (3 个答案) 关闭 2 年前。 只是想知道是否有任何有效的方法来过
我刚找到这个包FreqTables ,它允许人们轻松地从 DataFrames 构建频率表(我正在使用 DataFrames.jl)。 以下代码行返回一个频率表: df = CSV.read("exa
是否有一种快速的方法可以为 sort 指定自定义订单?/sort!在 Julia DataFrames 上? julia> using DataFrames julia> srand(1); juli
在 Python Pandas 和 R 中,可以轻松去除重复的列 - 只需加载数据、分配列名,然后选择那些不重复的列。 使用 Julia Dataframes 处理此类数据的最佳实践是什么?此处不允许
我是一名优秀的程序员,十分优秀!