不同迭代方式:
1、使用普通的range循环:
for i in range(len(data)):
district = data['DISTRICT'][i]
两次平均时间为:
[1.5522482614177306, 1.6075029883747902]
2、使用iterrows属性
for index, row in data.iterrows():
district = row['DISTRICT']
两次平均时间为:
[7.733582028927344, 7.599266269490954]
很明显使用普通的range比iterrows的方式要快。
不同访问方式:
1、使用loc访问
for i in range(len(data)):
district = data.loc[i, 'DISTRICT']
两次平均时间为:
[1.0522786400999848, 1.0238578468818957]
2、使用at访问
for i in range(len(data)):
district = data.at[i, 'DISTRICT']
两次平均时间为:
[0.7300140697672037, 0.7022568288888298]
3、使用iloc访问
for i in range(len(data)):
district = data.iloc[i]['DISTRICT']
两次平均时间为:
[12.291427135877314, 11.971714033517628]
使用列号
for i in range(len(data)):
district = data.iloc[i, 3]
两次平均时间为:
[0.9978076201158278, 0.9985134961239963]
4、使用列访问
for i in range(len(data)):
district = data['DISTRICT'][i]
两次平均时间为:
[1.5522482614177306, 1.6075029883747902]
从上面四种访问数据方式来看,明显at方式访问效率最快,但是其主要是直接访问值,如果需要其他属性的话还有按情况而定,这里只讨论访问值的效率。
Pandas 遍历效率、访问效率对比
猜你喜欢
转载自blog.csdn.net/blowfire123/article/details/96881604
今日推荐
周排行