中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频

“快速，靈活，富有表現(xiàn)力的數(shù)據(jù)結(jié)構(gòu)，旨在使”關(guān)系“或”標(biāo)記“數(shù)據(jù)的使用既簡單又直觀?！?/span>

• 將datetime數(shù)據(jù)與時間序列一起使用的優(yōu)點

• 進(jìn)行批量計算的最有效途徑

• 通過HDFStore存儲數(shù)據(jù)節(jié)省時間

>>> import pandas as pd
>>> pd.__version__
'0.23.1'

# 導(dǎo)入數(shù)據(jù)集
>>> df = pd.read_csv('demand_profile.csv')
>>> df.head()
     date_time  energy_kwh
0  1/1/13 0:00       0.586
1  1/1/13 1:00       0.580
2  1/1/13 2:00       0.572
3  1/1/13 3:00       0.596
4  1/1/13 4:00       0.592

>>> df.dtypes
date_time      object
energy_kwh    float64
dtype: object

>>> type(df.iat[0, 0])
str

>>> df['date_time'] = pd.to_datetime(df['date_time'])
>>> df['date_time'].dtype
datetime64[ns]

>>> df.head()
               date_time    energy_kwh
0    2013-01-01 00:00:00         0.586
1    2013-01-01 01:00:00         0.580
2    2013-01-01 02:00:00         0.572
3    2013-01-01 03:00:00         0.596
4    2013-01-01 04:00:00         0.592

>>> @timeit(repeat=3, number=10)
... def convert(df, column_name):
...     return pd.to_datetime(df[column_name])

>>> df['date_time'] = convert(df, 'date_time')
Best of 3 trials with 10 function calls per trial:
Function `convert` ran in average of 1.610 seconds.

>>> @timeit(repeat=3, number=100)
>>> def convert_with_format(df, column_name):
...     return pd.to_datetime(df[column_name],
...                           format='%d/%m/%y %H:%M')
Best of 3 trials with 100 function calls per trial:
Function `convert_with_format` ran in average of 0.032 seconds.

def apply_tariff(kwh, hour):
    """計算每個小時的電費(fèi)"""    
    if 0 <= hour < 7:
        rate = 12
    elif 7 <= hour < 17:
        rate = 20
    elif 17 <= hour < 24:
        rate = 28
    else:
        raise ValueError(f'Invalid hour: {hour}')
    return rate * kwh

>>> # 不贊同這種操作
>>> @timeit(repeat=3, number=100)
... def apply_tariff_loop(df):
...     """Calculate costs in loop.  Modifies `df` inplace."""
...     energy_cost_list = []
...     for i in range(len(df)):
...         # 獲取用電量和時間（小時）
...         energy_used = df.iloc[i]['energy_kwh']
...         hour = df.iloc[i]['date_time'].hour
...         energy_cost = apply_tariff(energy_used, hour)
...         energy_cost_list.append(energy_cost)
...     df['cost_cents'] = energy_cost_list
... 
>>> apply_tariff_loop(df)
Best of 3 trials with 100 function calls per trial:
Function `apply_tariff_loop` ran in average of 3.152 seconds.

• 首先，它需要初始化一個將記錄輸出的列表。 

• 其次，它使用不透明對象范圍(0，len(df))循環(huán)，然后在應(yīng)用apply_tariff()之后，它必須將結(jié)果附加到用于創(chuàng)建新DataFrame列的列表中。它還使用df.iloc [i] ['date_time']執(zhí)行所謂的鏈?zhǔn)剿饕?，這通常會導(dǎo)致意外的結(jié)果。 

• 但這種方法的最大問題是計算的時間成本。對于8760行數(shù)據(jù)，此循環(huán)花費(fèi)了3秒鐘。接下來，你將看到一些改進(jìn)的Pandas結(jié)構(gòu)迭代解決方案。

>>> @timeit(repeat=3, number=100)
... def apply_tariff_iterrows(df):
...     energy_cost_list = []
...     for index, row in df.iterrows():
...         # 獲取用電量和時間（小時）
...         energy_used = row['energy_kwh']
...         hour = row['date_time'].hour
...         # 添加cost列表
...         energy_cost = apply_tariff(energy_used, hour)
...         energy_cost_list.append(energy_cost)
...     df['cost_cents'] = energy_cost_list
...
>>> apply_tariff_iterrows(df)
Best of 3 trials with 100 function calls per trial:
Function `apply_tariff_iterrows` ran in average of 0.713 seconds.

>>> @timeit(repeat=3, number=100)
... def apply_tariff_withapply(df):
...     df['cost_cents'] = df.apply(
...         lambda row: apply_tariff(
...             kwh=row['energy_kwh'],
...             hour=row['date_time'].hour),
...         axis=1)
...
>>> apply_tariff_withapply(df)
Best of 3 trials with 100 function calls per trial:
Function `apply_tariff_withapply` ran in average of 0.272 seconds.

df.set_index('date_time', inplace=True)

@timeit(repeat=3, number=100)
def apply_tariff_isin(df):
    # 定義小時范圍Boolean數(shù)組
    peak_hours = df.index.hour.isin(range(17, 24))
    shoulder_hours = df.index.hour.isin(range(7, 17))
    off_peak_hours = df.index.hour.isin(range(0, 7))

    # 使用上面的定義
    df.loc[peak_hours, 'cost_cents'] = df.loc[peak_hours, 'energy_kwh'] * 28
    df.loc[shoulder_hours,'cost_cents'] = df.loc[shoulder_hours, 'energy_kwh'] * 20
    df.loc[off_peak_hours,'cost_cents'] = df.loc[off_peak_hours, 'energy_kwh'] * 12

>>> apply_tariff_isin(df)
Best of 3 trials with 100 function calls per trial:
Function `apply_tariff_isin` ran in average of 0.010 seconds.

[False, False, False, ..., True, True, True]

@timeit(repeat=3, number=100)
def apply_tariff_cut(df):
    cents_per_kwh = pd.cut(x=df.index.hour,
                           bins=[0, 7, 17, 24],
                           include_lowest=True,
                           labels=[12, 20, 28]).astype(int)
    df['cost_cents'] = cents_per_kwh * df['energy_kwh']

注意include_lowest參數(shù)表示第一個間隔是否應(yīng)該是包含左邊的(您希望在組中包含時間= 0)。

>>> apply_tariff_cut(df)
Best of 3 trials with 100 function calls per trial:
Function `apply_tariff_cut` ran in average of 0.003 seconds.

@timeit(repeat=3, number=100)
def apply_tariff_digitize(df):
    prices = np.array([12, 20, 28])
    bins = np.digitize(df.index.hour.values, bins=[7, 17, 24])
    df['cost_cents'] = prices[bins] * df['energy_kwh'].values

>>> apply_tariff_digitize(df)
Best of 3 trials with 100 function calls per trial:
Function `apply_tariff_digitize` ran in average of 0.002 seconds.

# 創(chuàng)建儲存對象，并存為 processed_data
data_store = pd.HDFStore('processed_data.h5')

# 將 DataFrame 放進(jìn)對象中，并設(shè)置 key 為 preprocessed_df
data_store['preprocessed_df'] = df
data_store.close()

# 獲取數(shù)據(jù)儲存對象
data_store = pd.HDFStore('processed_data.h5')

# 通過key獲取數(shù)據(jù)
preprocessed_df = data_store['preprocessed_df']
data_store.close()

pip install --upgrade tables

• 嘗試盡可能使用矢量化操作，而不是在df 中解決for x的問題。如果你的代碼是許多for循環(huán)，那么它可能更適合使用本機(jī)Python數(shù)據(jù)結(jié)構(gòu)，因為Pandas會帶來很多開銷。

• 如果你有更復(fù)雜的操作，其中矢量化根本不可能或太難以有效地解決，請使用.apply方法。

• 如果必須循環(huán)遍歷數(shù)組（確實發(fā)生了這種情況），請使用.iterrows()或.itertuples()來提高速度和語法。

• Pandas有很多可選性，幾乎總有幾種方法可以從A到B。請注意這一點，比較不同方法的執(zhí)行方式，并選擇在項目環(huán)境中效果最佳的路線。

• 一旦建立了數(shù)據(jù)清理腳本，就可以通過使用HDFStore存儲中間結(jié)果來避免重新處理。

• 將NumPy集成到Pandas操作中通?？梢蕴岣咚俣炔⒑喕Z法。