我写了下面的代码预处理的数据集是这样的:优化Python代码
StartLocation StartTime EndTime
school Mon Jul 25 19:04:30 GMT+01:00 2016 Mon Jul 25 19:04:33 GMT+01:00 2016
... ... ...
它包含与起始和结束时间的用户参加了位置的列表。每个位置可能会发生多次,并且没有全面的位置列表。由此,我想汇总每个位置的数据(频率,总时间,平均时间)。为此,我编写了以下代码:
def toEpoch(x):
try:
x = datetime.strptime(re.sub(r":(?=[^:]+$)", "", x), '%a %b %d %H:%M:%S %Z%z %Y').strftime('%s')
except:
x = datetime.strptime(x, '%a %b %d %H:%M:%S %Z %Y').strftime('%s')
x = (int(x)/60)
return x
#Preprocess data
df = pd.read_csv('...')
for index, row in df.iterrows():
df['StartTime'][index] = toEpoch(df['StartTime'][index])
df['EndTime'][index] = toEpoch(df['EndTime'][index])
df['TimeTaken'][index] = int(df['EndTime'][index]) - int(df['StartTime'][index])
total = df.groupby(df['StartLocation'].str.lower()).sum()
av = df.groupby(df['StartLocation'].str.lower()).mean()
count = df.groupby(df['StartLocation'].str.lower()).count()
output = pd.DataFrame({"location": total.index, 'total': total['TimeTaken'], 'mean': av['TimeTaken'], 'count': count['TimeTaken']})
print(output)
此代码功能正常,但效率相当低。我如何优化代码?
编辑:基于@Batman's有用的意见我不再迭代。但是,如果可能的话,我仍然希望进一步优化。更新的代码是:
df = pd.read_csv('...')
df['StartTime'] = df['StartTime'].apply(toEpoch)
df['EndTime'] = df['EndTime'].apply(toEpoch)
df['TimeTaken'] = df['EndTime'] - df['StartTime']
total = df.groupby(df['StartLocation'].str.lower()).sum()
av = df.groupby(df['StartLocation'].str.lower()).mean()
count = df.groupby(df['StartLocation'].str.lower()).count()
output = pd.DataFrame({"location": total.index, 'total': total['TimeTaken'], 'mean': av['TimeTaken'], 'count': count['TimeTaken']})
print(output)
你应该只组一次,然后得到'sum','mean'和'count' – furas
你真的需要'.str.lower()'吗?你真的需要正则表达式吗? – furas
@furas手动输入位置,这是必要的,正则表达式用于处理使用的异常时间戳。 (请参阅[this](https://stackoverflow.com/questions/41782874/valueerror-parsing-time-string)) – user7347576