谢谢你邀请我！
熊猫编程库是数据科学社区的天赐之物。无论你问哪个数据科学家，他们是如何用python处理他们的数据集的，他们无疑都会谈到熊猫。
pandas是一个伟大的编程库的缩影。:简单、直观、多才多艺。
但是，要把数据科学家的熊猫数据框架计算上千次甚至上百万次，仍然是一个挑战。你可以不要只是在编写pythonfor循环语句时输入数据，并期望在合理的时间内处理数据。
pandas被设计为一次处理整个行或列的矢量化，在每个单元格、行或列中循环，但它不是为使用库而设计的。所以在使用熊猫的时候，要考虑高度并行化的矩阵运算方法。
本指南将教你如何使用熊猫，这是一个旨在使用和思考的矩阵操作。在这个过程中，我将向您展示一些实用且省时的技巧和诀窍，它们将使您的熊猫代码运行得比那些可怕的pythonforloops更快！
我们的设置
在本教程中，我们将使用经典的鸢尾花数据集。让开始滚动，用seaborn加载数据集，输入前5行。
现在让我们让我们构建一个基线，并用pythonforloop测量我们的速度。我们将通过循环遍历每一行来设置要在数据集上执行的计算，然后测量整个操作的速度。这将为我们提供一个基线，看看我们的新优化能在多大程度上帮助我们摆脱困境。
在上面的代码中，我们创建了一个基本函数，它使用了if-else语句。我们编写一个for循环，通过循环dataframe对每一行应用一个函数，然后测量循环的总运行时间。
在我的i7-8700k电脑上，循环5次平均需要0.01345秒。
循环语句。iterrows()
这是最简单但最有价值的方法，它可以加快。熊猫内置iterrows()函数。
在上一节编写for循环时，我们使用了range()函数。然而，当我们在python中循环大量的值时，生成器通常要快得多。在本文中，您可以阅读更多关于发电机如何工作并使其运行更快的信息。
潘朵拉s.iterrows()函数在内部实现了一个生成器函数，它将在每次迭代时生成一行dataframe。更具体地说，。iterrows()为dataframe中的每一行生成(index，series)元组。这实际上与原始pyt中的相同类似enumerate()这样的东西在hon中也是一样的，但是运行起来要快得多。
接下来，我们修改了代码以使用。iterrows()而不是常规的for循环。在我上一节测试的同一台机器上，平均运行时间是0.005892秒——快了2.28倍！
使用。apply()完全删除循环。
的。iterrows()函数给我们带来了巨大的速度，但是我们还远远没有完成。永远记住，当使用为向量操作设计的库时，可能有一种方法可以在不使用for循环的情况下最有效地完成任务。
熊猫函数为我们提供了这个函数。apply()函数。our()接受另一个函数作为它的输入，并沿着轴(行、列等)应用它。)的数据帧。以我们的传递函数为例，lambda通常可以方便地将所有东西打包在一起。
在下面的代码中，我们用。应用()和lambda函数来封装我们想要的计算。在我的机器上，这段代码的平均运行时间是0.0020897秒，比我们原来的for循环快6.44倍。
apply()之所以这么快，是因为它在内部尝试了cython迭代器。如果你的函数恰好是为cython优化的，那么。apply()会给你带来更快的速度。一个额外的好处是，使用内置函数可以生成更干净、更易读的代码。
最后
正如我前面提到的，如果您使用的是为矢量化而设计的库，您应该总是寻找一种不使用for循环的计算方法。
同样，也有很多这样设计的库，包括熊猫，会有方便的内置函数，可以进行你要找的精确计算，而且会更快。
的。熊猫的cut()函数定义了一组bin作为输入，这些bin定义了if-else的每个范围和每组标签，这些标签定义了每个范围返回的值。然后，它执行与我们使用compute_class()函数手工编写的操作完全相同的操作。
查看下面的代码以了解如何操作。cut()有效。我们又一次获得了代码更清晰、可读性更好的好处。最后是。cut()函数平均运行0.001423秒，比原来的for循环快9.39倍！
更多关于人工智能的资讯、深度报道、访谈，欢迎关注ai。不管你是小白还是大神，你想要的在这里都有！
数据库中没有语言区分。
常用的数据库有mysql、oracle等。
你只需要在电脑上安装一个数据库，那么python和jav。可以使用。
it只是连接到数据库的方法不同。
.jpg)
.jpg)
.jpg)
.jpg)
