- 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?
我有一个包含 30000 行的数据框,我正在尝试计算以下内容:
def calc_exp(x, y, z):
return stats.lognorm(scale = x, s=y).expect(lb=0, ub=z)
原则上使用 for 循环太慢了,但事实证明,例如使用 apply:
df['expect'] = df.apply(lambda row: calc_exp(row['sev_est'], row['sev_obs'],
row['_exp_up_b']), axis=1)
但是对于这么大的数据帧,运行大约需要 30 分钟。
df['expect'] = df.swifter.apply(lambda row: calc_exp(row['sev_est'], row['sev_obs'],
row['_exp_up_b']), axis=1)
它告诉我:
ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().
和
TimeoutError: [Errno 60] Operation timed out
您有什么建议或资源可以帮助我加快代码速度吗?
sample_data = [[47752.06433069426, 1.0357302794658065, 1002500.0],
[755000.4713730852, 1.2872612468359987, 1002500.0],
[47752.06433069426, 1.0357302794658065, 1001000.0],
[57777.829574251584, 1.0312698002906302, 505000.0],
[69703.2113095638, 1.0299427372756402, 2010000.0],
[45136.11776248943, 1.0376444095922805, 1001000.0],
[59132.70813622853, 1.0309407576584755, 1005000.0],
[43453.5613190105, 1.0390872317110278, 1001000.0],
[46135.3578194443, 1.0368683857223946, 1001000.0],
[152082.89966620493, 1.113359803894905, 1002500.0],
[750446.5937632995, 1.2874160597603732, 2002500.0],
[53647.95567675417, 1.0326342806970585, 1005000.0],
[45632.05708701799, 1.0372520411746433, 1001000.0],
[46581.28690183377, 1.0365403645539104, 1001000.0],
[54020.70347965895, 1.0324868172323447, 1005000.0],
[44245.90842544985, 1.0383857082697099, 1002500.0],
[51162.12793486834, 1.0337556400084722, 3025000.0],
[107107.86948225822, 1.0383712653241755, 3025000.0],
[722119.4508688038, 1.2884596680530922, 2025000.0],
[699903.7852476649, 1.2893820587789995, 2010000.0],
[48950.10419174958, 1.034974068892171, 505000.0],
[51738.02683120212, 1.033473643110517, 1002500.0],
[42901.866305524214, 1.0395999387162294, 1002500.0],
[45136.11776248943, 1.0376444095922805, 1001000.0],
[52614.717261016325, 1.0330705313839323, 1002500.0],
[713225.3474413318, 1.2888174754031487, 1005000.0],
[57238.01599926183, 1.0314162657284809, 5010000.0],
[58322.385654926955, 1.0311310363507877, 2005000.0],
[54045.05749769092, 1.0324773610543825, 2002500.0],
[42604.59804488991, 1.039884727964432, 1010000.0],
[92437.93072760757, 1.0336932004002017, 1015000.0],
[88559.61192571945, 1.0326806977341927, 1002500.0],
[602239.5164807418, 1.2947510218453246, 2010000.0],
[54815.71051455691, 1.0321892223847444, 1001000.0],
[75898.55658703072, 1.0303477696462269, 1005000.0],
[47915.02339498793, 1.0356232022658125, 252500.0],
[44569.2886493234, 1.0381108112654438, 502500.0],
[56189.65757026716, 1.0317269545642969, 1010000.0],
[48074.68313484722, 1.0355196014148147, 2002500.0],
[44310.501871381675, 1.0383302791240467, 5015000.0],
[45861.05802340964, 1.0370756881518186, 1002500.0],
[131930.89613964988, 1.0481212391831674, 1035000.0],
[49212.10735631669, 1.0348180280571426, 2002500.0],
[57489.35708029983, 1.0313469517526663, 1010000.0],
[45341.39170748647, 1.0374802534677299, 252500.0],
[50560.21189377367, 1.0340654819168598, 502500.0],
[43881.69750318484, 1.0387031703640284, 252500.0],
[45265.59784677777, 1.0375405752126938, 1002500.0],
[47415.20348405406, 1.035955953776894, 1002500.0],
[45861.05802340964, 1.0370756881518186, 1005000.0],
[55740.86462284447, 1.0318709081324582, 1005000.0],
[45220.34890828568, 1.037576748920849, 502500.0],
[48535.991864874784, 1.035227436919951, 1001000.0],
[127047.67786919193, 1.0460887972573536, 2100000.0],
[46492.46532127476, 1.0366048236011984, 2005000.0],
[541310.5576520629, 1.2994907072560145, 1002500.0],
[799382.0622031174, 1.2859240295491776, 3010000.0],
[44719.592998634034, 1.037985238438699, 1001000.0],
[51162.12793486834, 1.0337556400084722, 1001000.0],
[49927.12596481778, 1.0344085721774596, 1005000.0],
[49663.66474485245, 1.0345566887409923, 5010000.0],
[47752.06433069426, 1.0357302794658065, 1001000.0],
[46877.59739500191, 1.0363284400408517, 1001000.0],
[49255.78753338048, 1.0347923305430622, 1002500.0],
[49822.50196088387, 1.034467010700811, 1002500.0],
[58404.390374565475, 1.031110907311516, 1002500.0],
[65355.04630839962, 1.030054220108931, 2010000.0],
[43958.656721146, 1.0386353874831535, 2002500.0],
[57489.35708029983, 1.0313469517526663, 1010000.0],
[51162.12793486834, 1.0337556400084722, 1001000.0],
[48902.75800018717, 1.0350026167891064, 1002500.0],
[45064.43172099421, 1.0377023255444393, 1001000.0],
[57489.35708029983, 1.0313469517526663, 1005000.0]]
df = pd.DataFrame(sample, columns=['sev_est', 'sev_obs', '_exp_up_b'])
最佳答案
一种选择是使用多处理:
import pandas as pd
from scipy import stats
from time import time
from multiprocessing import Pool
def calc_exp(x, y, z):
return stats.lognorm(scale=x, s=y).expect(lb=0, ub=z)
if __name__ == '__main__':
# I have used the full sample_data but I copy here the first 3 rows only for readability
sample_data = [[47752.06433069426, 1.0357302794658065, 1002500.0],
[755000.4713730852, 1.2872612468359987, 1002500.0],
[47752.06433069426, 1.0357302794658065, 1001000.0]]
df = pd.DataFrame(sample_data, columns=['sev_est', 'sev_obs', '_exp_up_b'])
df = pd.concat([df] * 10) # artificially increasing the size of the data frame
start = time()
expect = df.apply(lambda row: calc_exp(row['sev_est'], row['sev_obs'], row['_exp_up_b']), axis=1)
end = time()
print(f'Single-threaded: {end - start} sec.')
pool = Pool(processes=5)
start = time()
data = zip(*[df[col] for col in df])
result = pool.starmap(calc_exp, data)
pool.close()
pool.join()
end = time()
print(f'Multi-threaded: {end - start} sec.')
输出:
Single-threaded: 37.720906019210815 sec.
Multi-threaded: 9.930521726608276 sec.
关于python - 尝试加速统计(scipy)计算失败,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/65477288/
我想在我的 iPhone 应用程序中加入线性回归。经过一些搜索,我发现 Accelerate Framework 中的 LAPACK 和 BLAS 是正确的库。但是我很难将加速框架添加到我的 XCod
有什么方法可以加速 JS 脚本(我指的是一些复杂的 DOM 操作,比如游戏或动画)? 最佳答案 真的没有办法真正加快速度。您可以压缩它,但不会快很多。 关于Javascript 加速?,我们在Stac
有时,我必须为一个项目重新导入数据,从而将大约 360 万行读入 MySQL 表(目前是 InnoDB,但我实际上并不局限于这个引擎)。 “加载数据文件...”已被证明是最快的解决方案,但它有一个权衡
在尝试计算加速时,我被卡住了。所以给出的问题是: 问题 1 如果程序的 50% 增强了 2 倍,其余 50% 增强了 4 倍,那么由于增强而导致的整体加速是多少? Hints:考虑增强前(未增强)机器
目前我正在处理实时绘图,但可视化非常慢。我想知道你可以做些什么来加速 Matplotlib 中的事情: 后端如何影响性能?是否有后端 实时绘图比其他人更好吗? 我可以降低分辨率以提高 FPS 吗? 如
我有一个小型测试框架。它执行一个循环,执行以下操作: 生成一个小的 Haskell 源文件。 使用 runhaskell 执行此操作.该程序生成各种磁盘文件。 处理刚刚生成的磁盘文件。 这种情况发生了
这是我的网站:Instant-YouTube 如您所见,加载需要很长时间。在 IE8 及以下甚至有时会导致浏览器崩溃。我不确定是什么原因造成的。可能是 Clicksor 广告,但我认为是 swfobj
是否可以加速 SKSpriteNode? 我知道可以使用 node.physicsBody.velocity 轻松设置速度但是设置它的加速度有多难? 最佳答案 从牛顿第二定律倒推运动:F = m.a您
有没有人有加速 FCKEditor 的技术?是否有一些关键的 JavaScript 文件可以缩小或删除? 最佳答案 在最新版本 (3.0.1) 中,FCKEditor 已重命名为 CKEditor .
我有以下 MySQL 查询,需要一天多的时间才能执行: SELECT SN,NUMBER FROM a WHERE SN IN (SELECT LOWER_SN FROM b WHER
我现在正在开发一款使用加速来玩的游戏。我找到了如何让我的元素移动,但不改变它的“原点”,或者更准确地说,改变加速度计算的原点: 事实上,我的图像是移动的,它的中心是这样定义的: imageView.c
我有一个 mysql 表,其中存储有 4 列的成员消息: message_id(主键,自增) sender_id( key ) receiver_id( key ) 消息内容 我做了很多 SELECT
我在 cuda_computation.cu 中有以下代码 #include #include #include #include void checkCUDAError(const char
我正在使用 BeautifulSoup 在 for 循环中解析数千个网站。这是我的代码片段: def parse_decision(link): t1 = time.time() de
我正在使用 OpenCV 2.4 (C++) 在灰度图像上进行寻线。这涉及一些基本的图像处理步骤,如模糊、阈值、Canny 边缘检测器、梯度滤波器或霍夫变换。我必须在数千张图像上应用寻线算法。 考虑到
当我试图连续生成四次相同的报告时,我刚刚分析了我的报告应用程序。第一个用了 1859 毫秒,而后面的只用了 400 到 600 毫秒。对此的解释是什么?我能以某种方式使用它来使我的应用程序更快吗?报告
当我打开 Storyboard文件时,由于其中包含的 VC 数量,打开它需要 1-2 分钟。加快速度的最佳做法是什么?我们应该将一些 VC 移动到不同的 Storyboard文件中吗?我们是否应该使用
我有一个包含多个页面的 UIPageViewController。每个页面都是相同的 View Controller ,但会跟踪页码并显示 PDF 的正确页面。问题是每个 PDF 页面都需要在 cur
这实际上是两个问题,但它们非常相似,为了简单起见,我想将它们放在一起: 首先:给定一个已建立的 Java 项目,除了简单的代码内优化之外,还有哪些不错的方法可以加快它的速度? 其次:在用Java从头写
我有一个包含 1000 个条目的文档,其格式类似于:
我是一名优秀的程序员,十分优秀!