您很难找到一个数据科学家，他不使用熊猫来日常工作，但有时从熊猫到numpy是值得的。

pandas拥有出色的可访问性和适用于中小型项目的各种工具，但并非所有熊猫方法都利用矢量化，从而降低了代码的运行时。以apply()方法为例。对于“循环，它本质上是一个荣耀的python”，并且具有巨大的速度约束，尤其是在大型数据集的情况下。

在明亮的一面，您可以通过从numpy拉出许多熊猫方法。让我们看一下如何使用Data Notebook使用Numpy方法加快PANDAS。

使用numpy方法加快熊猫的用例

在业务环境中，运行时优化至关重要。它直接影响了程序的性能 - 尤其是更大，更复杂的程序。

只需考虑客户体验的重要性即可。如果您公司的应用程序由更快，更有效地运行的程序提供动力，则最终用户必然会更加满意。因此，提高了客户忠诚度和终身价值。另一方面，一个缓慢的应用程序冒着将客户发送给竞争对手的风险。

也可以考虑节省成本和可扩展性。优化程序的运行时间意味着它将需要更少的资源来执行，从而有助于降低成本。随着应用的规模和复杂性的增长，运行时优化对确保性能不会受到影响至关重要。

熊猫的问题是，尽管它支持矢量化，但其某些方法不支持。对于apply()和groupby()方法是正确的。您最终使用本机python“用于执行循环，这会减慢熊猫的速度。

但是Numpy可以通过多种方式帮助提高熊猫的性能。例如，如果您正在执行数值操作，则Numpy提供了一套数值功能，包括元素操作和线性代数。通过使用这些功能而不是等效的熊猫方法，您可以获得性能提升。

plus，由于Numpy提供了针对数值计算进行优化的高性能数组数据结构，因此与PANDAS DataFrames相比，您通常可以实现更快的计算。还有一个事实是，numpy阵列存储在连续的内存块中，使它们比数据框架更高的内存效率，该数据范围将数据存储在更复杂的结构和形式中。

使用numpy方法在数据笔记本中加快熊猫的速度

pandas和numpy在交互式Python环境和Python脚本中都得到了支持。因此，可以在其中任何一个中实现运行时优化。

对于本教程，我们将探索如何从已安装Python的笔记本中从Pandas到Numpy方法。

ð请记住，如果您使用DeepNote笔记本电脑，则可以跳过下面的设置过程。 DeepNote配备了已安装的最受欢迎的data analytics and machine learning Python libraries，因此您可以无缝地将它们导入您的项目。

安装大熊猫和numpy

要在jupyter笔记本中安装pandas和numpy，请运行以下命令：

导入大熊猫和numpy

接下来，要使用他们的方法，我们必须导入它们。熊猫的常用别名是pd，对于numpy，它的np。

熊猫与numpy运行时比较

首先，让我们创建一个用于实验的虚拟数据集：

接下来，让我们创建一个带有两个列和10列的Numpy数组。在此数组中，我们使用pd.DataFrame方法创建PANDAS DataFrame。

前五行如下所示：

Pandas Apply（）vs.Numpy WHEND（）条件列（）

我们主要使用apply()方法在熊猫中创建条件列。实现如下：

如果条目小于45和“ B类”，我们将列分为“ A类”。

如上所述，apply()方法基本上是“循环”的荣耀。结果，它错过了矢量化的全部。

使用numpy's koude8方法，我们可以创建有条件的列，同时还具有矢量化。

使用此方法，条件将作为第一个参数传递。如果条件评估为true（第二个参数）和false（第三个参数），则结果是结果。如上所述，np.where()方法的速度约为五倍。

Pandas Apply（）与有条件列的Numpy Select（）

np.where()方法允许我们在两个结果之间进行选择（即，它适用于二进制条件）。如果有多种条件，则应使用koude11。

考虑我们具有以下功能：

使用apply()方法，我们得到以下运行时：

但是，如果我们使用np.select()，我们会得到：

条件和相应的结果作为前两个参数传递。最后一个参数是默认结果。

您可以看到np.select()方法的速度比apply()方法快五倍。这是因为它正在使用矢量化，而apply()方法则通过列循环以基于条件创建新列。

pandas sort_values（）与numpy sort（）

排序是按特定顺序排列数据的常见操作。在熊猫中，我们使用df.sort_values()方法对数据框架进行分类。

使用较早的数据框，我们将获得以下运行时：

，但是Numpy也提供了一种排序方法。更具体地说，这是np.sort()方法：

使用numpy，我们首先将要排序的列转换为numpy数组。接下来，我们对获得的数组进行排序。最后，我们使用排序的数组创建一个新的数据框，然后重新排列另一列的列条目。

Numpy方法比Pandas快33％。

使用大熊猫和numpy进行运行时优化的最佳实践

优化很重要，但要谨慎也很重要。

首先介绍您的代码总是一个好习惯，因此您知道瓶颈。如果您在分析之前优化代码，则最终可能会优化错误的部分，使其更慢。

大熊猫中最大的瓶颈通常来自通过数据框架循环。因此，寻找可以用矢量化替换的部分。

此外，从外部图书馆获得支持也可以提供许多好处。它们通常针对性能进行优化，并且比自定义实现更快。

最后，确保您不会损害代码的可读性以进行优化。优化您的代码有时会使其不可读，这使其他人更难理解和维护它。

通常，如果您有鉴定代码很慢，并且优化将导致大幅提高性能。

，您才应进行优化。

将大熊猫和numpy与deepnote结合在一起

Get started for free - 探索，协作和共享您的数据。