Python 在大数据处理下的优化（三）DataFrame的生成效率提高4倍！！

今天看标题就知道我们又来谈的是优化，针对pandas的数据结构DataFrame做的优化。
当然这种优化更多的是提供给大家一种思路，而不是所有的DataFrame都可以这么转化。
废话不多说，我们直接来看今天的主要优化内容。

一、DataFrame数据结构

做过数据处理这块的应该都知道并且非常熟悉的pandas下最常用的二维表结构，DataFrame。
DataFrame自带的各种处理数据的函数给我们复杂的需求带来了很多的便捷，并且在数据量较少的情况下，处理速度都非常快，因此在很多地方都会用到相关的一些函数，例如apply，groupby等等。

但是！

使用这些便捷的函数的时候，首先要把数据转换成DataFrame吧。
有的童鞋说，很简单呀，直接调用DataFrame就可以转换了呀。
是的没错，直接调用就可以了。
但是在数据量特别大的情况下，直接调用对于追求高效率的你来说肯定是不够的。
在调用之前我们要对数据进行一下转换，能使得生成DataFrame的效率提高4倍！！

二、合理使用split+numpy

split 函数 对字符串进行切割
numpy 矩阵的处理库
在使用split函数的情况下
例如我们有如下的数据
list = [‘张三#5’,‘李四#10’]
像‘张三#5’这种储存结构在数据储存也比较常用，用某些特殊字符串将数据串起来，节省空间，但是就是处理数据的时候稍微麻烦一点。

现在假设我们有大量的这样的数据，但是希望将数据转换成DF格式，两列指标，名称，数值。便于对数据进行分析处理。
最常用的方法如下：

import pandas as pd
a_list = ['张三#5','李四#10']
df = pd.DataFrame([a.split("#") for a in a_list])

的确是这样，