python-选择列的熊猫-最佳习惯和性能
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了python-选择列的熊猫-最佳习惯和性能,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含920字,纯文字阅读大概需要2分钟。
内容图文
![python-选择列的熊猫-最佳习惯和性能](/upload/InfoBanner/zyjiaocheng/680/c2de6eed751f4344a4459cc7d243f667.jpg)
在pandas.DataFrame中选择列的方式有很多(与行相同).我想知道它是否有什么区别,是否有任何性能和风格建议.
例如,如果我有一个DataFrame如下:
import pandas as pd
import numpy as np
df = pd.DataFrame(data=np.random.random((10,4)), columns=['a','b','c','d'])
df.head()
有很多不同的方法来选择,例如列d
> 1)df [‘d’]
> 2)df.loc [:,’d’](其中df.loc [row_indexer,column_indexer])
> 3)df.loc [:] [‘d’]
> 4)df.ix [:] [‘d’]
> 5)df.ix [:,’d’]
直观上,我更喜欢2),也许是因为我习惯了numpy的[row_indexer,column_indexer]样式
解决方法:
我将使用ipython的魔术函数%timeit找出性能最好的方法.
结果是:
%timeit df['d']
100000 loops, best of 3: 5.35 μs per loop
%timeit df.loc[:,'d']
10000 loops, best of 3: 44.3 μs per loop
%timeit df.loc[:]['d']
100000 loops, best of 3: 12.4 μs per loop
%timeit df.ix[:]['d']
100000 loops, best of 3: 10.4 μs per loop
%timeit df.ix[:,'d']
10000 loops, best of 3: 53 μs per loop
事实证明,第一种方法比其他方法要快得多.
内容总结
以上是互联网集市为您收集整理的python-选择列的熊猫-最佳习惯和性能全部内容,希望文章能够帮你解决python-选择列的熊猫-最佳习惯和性能所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。