for循环次数太多的时间优化_数据分析工具篇——for循环运算优化（二）

书接上文，我们在前面介绍了for循环的简单优化方法，今天我们深度分析一下for循环的优化思路，还记不记得前一篇文章《数据分析工具篇——for循环运算优化(一)》中的案例：

import timestart_time = time.time()datas = 0for t in range(0, 1000):    for i in range(0, 1000):        for j in range(0, 1000):            datas = datas + i + j + tend_time = time.time()print(datas)print(end_time-start_time)

对这段代码可以说是非常熟悉了吧，我们给出了多套优化方案，介绍完pandas之后我们对python的包有了一个基本的认知，基于python现成的包我们再做一次优化，用到的函数即为：reduce。

在进行for循环优化过程中主要方法有两个：一个是apply，一个是reduce。应用场景也有两个：

1)reduce对应的是跨行计算，即第一行的计算结果会叠加到第二行，计算完成后再叠加到第三行，以此循环；

2)apply对应的是单行计算，即第一行计算后返回一个值，第二行计算后返回一个值，各行之间互不干扰。

reduce方法

针对上文的代码，我们用reduce方法优化可以得到如下代码：

import timeimport numpy as npfrom functools import reducedata = 0start_times = time.time()data = reduce(lambda x, y: x + y, np.arange(1000))data1 = reduce(lambda x, y: x + (1000*y + data), np.arange(1000)) + datadata2 = reduce(lambda x, y: x + (1000000*y + data1), np.arange(1000)) + data1end_times = time.time()print(data2)print(end_times - start_times)

有没有感觉很简洁，主代码只有三行，而且没有嵌套存在，对应的运算结果如下：

时间上确实有所提高，同时代码的简洁程度也提高不少，代码优化到这里有没有感觉小有成就？

我想是有的～

除了reduce，其他函数有没有新的优化方法，肯定是有