如何解决有什么方法可以加快像 vectorize 这样的循环numpy 或 pandas中的依赖迭代?
我有一个以 Pandas 数据框或 numpy 数组作为输入的模型。该模型在循环中迭代行,当前行计算取决于前一步骤。有什么方法可以在其中加入 numpy vectorize 吗?或任何其他使代码运行得更快的方法。我有非常大的输入,速度的任何改进都可以节省大量时间。示例代码如下以供参考。 NUMpy 输入提高了 Pandas 数据帧输入的速度。任何建议都非常感谢。
import pandas as pd
import numpy as np
inp1 = pd.DataFrame(np.random.rand(5,5))
inp2 = pd.DataFrame(np.random.rand(5,5))
outp1 = pd.DataFrame(np.zeros(inp1.shape,dtype = float),index = inp1.index,columns = inp1.columns)
def sample_code_pandas(params):
aa,bb,lmt = params
outp1[inp2 < lmt] = inp1[inp2 < lmt]
out_pr = outp1.iloc[0,:]
for i in range(1,len(outp1)):
rates = ((inp1.iloc[i,:] - aa) / (aa - bb))
outp1.iloc[i,:] = inp1.iloc[i,:] * rates - out_pr
out_pr = outp1.iloc[i,:]
return outp1
%timeit sample_code_pandas((-0.2,-0.5,0 ))
#******************************************************
inp1 = np.random.rand(5,5)
inp2 = np.random.rand(5,5)
outp1 = np.zeros(inp1.shape,dtype = float)
def sample_code_numpy(params):
aa,lmt = params
outp1[inp2 < lmt] = inp1[inp2 < lmt]
out_pr = outp1[0]
for i in range(1,len(outp1)):
rates = ((inp1[i] - aa) / (aa - bb))
outp1[i] = inp1[i] * rates - out_pr
out_pr = outp1[i]
return outp1
%timeit sample_code_numpy((-0.2,0 ))
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 dio@foxmail.com 举报,一经查实,本站将立刻删除。