Python中的代码效率问题——如何减少基于节点之间的欧几里德距离生成网络时所用的时间

如何解决Python中的代码效率问题——如何减少基于节点之间的欧几里德距离生成网络时所用的时间

我想根据定义为节点之间的欧几里德距离的相似性度量在 python 中的网络节点之间创建链接。问题是代码仅创建网络就需要 200 秒，当我调整模型并且代码执行至少 100 次时，这段较长的执行时间使整个代码运行缓慢。

因此，节点实际上是客户。我定义了一个类。它们具有存储在 csv 文件中的两个属性性别（数字；由数字 0 或 1 指定）和年龄（从 24 到 44 不等）。我在这里生成这样的：

#number of customers
ncons = 5000
gender = [random.randint(0,1) for i in range(ncons)]
age = [random.randint(22,39) for i in range(ncons)]
customer_df = pd.DataFrame(
    {'customer_gender': gender,'customer_age': age
    })
customer_df.to_csv('customer_df.csv',mode = 'w',index=False)

欧几里得距离 delta_ik 为

following。公式中， n为属性个数。这里的属性是性别和年龄。对于客户 i 和 k， S_f,i - S_f,k 是属性 f = 1,2 之间的差值，其 id 除以所有客户的属性 f 的最大范围（{{ 1}})。所以距离是属性中的距离而不是地理位置。 然后我定义相似性度量 H_ik，它从 delta_ik 创建一个 0 到 1 之间的数字，如下所示：

。最后，对于客户max d_f和 i，我生成一个0到1之间的随机数rho。如果rho小于H_ik，则节点连接。

因此，将 delta_ik 保存在矩阵中然后使用它来生成网络的代码如下所示：

 k

如果您能给我一些关于使用更多 Pythonic 命令来减少运行时间的建议，我将不胜感激。

非常感谢