再见！Python 循环，向量化已超神

我们在几乎所有的编程语言中都学习过循环。所以，默认情况下，只要有重复性的操作，我们就会开始实施循环。但是当我们处理大量的迭代（数百万/数十亿行）时，使用循环真是遭罪啊～，你可能会被卡住几个小时，后来才意识到这是行不通的。这就是在Python中实现向量化变得超级关键的地方。,向量化是在数据集上实现（NumPy）数组操作的技术。在后台，它对数组或系列的所有元素一次性进行操作（不像'for'循环那样一次操作一行）。,在这篇博客中，我们将看看一些用例，在这些用例中，我们可以很容易地用向量化代替Python循环。这将帮助你节省时间，并在编码方面变得更加熟练。,首先，我们来看看一个基本的例子，即在Python中使用循环和向量来寻找数字的总和。,与使用范围函数的迭代相比，向量化的执行时间约18倍。在使用Pandas DataFrame时，这种差异将变得更加明显。,在数据科学中，当使用Pandas DataFrame时，开发者会使用循环来创建新的数学运算的派生列。,在下面的例子中，我们可以看到，在这样的用例中，循环可以很容易地被向量化所取代。,DataFrame是以行和列的形式存在的表格数据。,我们正在创建一个有500万行和4列的pandas DataFrame，其中充满了0到50之间的随机值。,,我们将创建一个新的列'ratio'，以找到列'd'和'c'的比率。,我们可以看到DataFrame有了明显的改进，与python中的循环相比，向量化几乎快了1000倍。,我们实现了很多需要我们使用 "if-else" 类型逻辑的操作。我们可以很容易地用python中的向量化操作代替这些逻辑。,看一下下面的例子来更好地理解它（我们将使用在用例2中创建的DataFrame）。,想象一下，如何根据退出的列'a'的一些条件来创建一个新的列'e'。,与带有if-else语句的python循环相比，向量化操作要比循环快600倍。,深度学习要求我们解决多个复杂的方程，而且是针对数百万和数十亿行的方程。在Python中运行循环来解决这些方程是非常慢的，此时，向量化是最佳的解决方案。,例如，要计算以下多线性回归方程中数百万行的y值。,,我们可以用向量化代替循环。,m1,m2,m3...的值是通过使用对应于x1,x2,x3...的数百万个值来解决上述方程而确定的（为了简单起见，只看一个简单的乘法步骤）,,,np.dot在后端实现了向量的矩阵乘法。与python中的循环相比，它的速度提高了165倍。,Python中的向量化是非常快的，当在处理非常大的数据集时，建议你应该优先考虑向量化而不是循环。这样，随着时间的推移，你会逐渐习惯于按照向量化的思路来编写代码。