np.select()、np.piecewise()对多条件逻辑判断的向量化计算的支持

最新推荐文章于 2023-02-10 10:37:19 发布

车忻青

最新推荐文章于 2023-02-10 10:37:19 发布

阅读量4.3k

点赞数 2

分类专栏：向量化编程文章标签：向量化编程

本文链接：https://blog.csdn.net/k284213498/article/details/80719356

版权

博客探讨了在Python编程中如何提高条件判断的执行速度，尤其是针对大量逻辑判断的情况。介绍了使用np.where()、df.where、df.map作为优化手段，以及通过定义def函数并应用apply或list(map())调用来提升效率。文章进一步提到了np.select()和np.piecewise()两个函数，它们可能为多条件逻辑判断提供更高效的向量化计算支持。

摘要由CSDN通过智能技术生成

当python程序里出现大量的条件判断时，要如何做到让程序运行的速度最快？
这是一直以来都遇到的问题，python的for if else结构速度很慢，特别是[for 里 if 嵌套if] 、[for if 并列 elif]的方法，
暂时写的算法里用的是：
1、np.where()、df.where、df.map替代一部分条件逻辑
2、把条件逻辑判断写到def()里，再apply或者是list(map())调用条件逻辑的def()
这两种方法都要比[for if 套 if]快很多，几乎在任何数据场景下。但是有没有更好的方法？
今天看到两个可能有优化效果的函数，记录一下。

来源：https://www.cnblogs.com/fengguozhuying/p/9171806.html

np.selcect() 
np.select(condlist, choicelist, default=0)

condlist是首选条件,choicelist是候选的条件.(如果condlist满足那么choicelist就没用),default是两者都满足后还剩余的默认值.

例1:
t = np.arange(6)
t
Out[12]: array([0, 1, 2, 3, 4, 5])

np.select([t<6,t>2,True],[t+10,t-10,66])   #因为t<6都满足,索引执行t+10