优化Python代码的4种方法(4)

我们将随机创建一百万个值，并求出每个值的除数。我们将使用apply函数和多进程方法比较其性能：

# 导入库 
import pandas as pd 
import math 
import multiprocessing as mp 
from random import randint 
# 计算除数的函数 
def countDivisors(n) :  
 count = 0 
 for i in range(1, (int)(math.sqrt(n)) + 1) :  
 if (n % i == 0) :  
%%time 
pool = mp.Pool(processes = (mp.cpu_count() - 1)) 
answer = pool.map(countDivisors,random_data) 
pool.close() 
pool.join() 
 if (n / i == i) :  
 count = count + 1 
 else :  
 count = count + 2 
 return count  
# 创建随机数  
random_data = [randint(10,1000) for i in range(1,1000001)] 
data = pd.DataFrame({'Number' : random_data }) 
data.shape 

%%time 
data['Number_of_divisor'] = data.Number.apply(countDivisors) 

%%time 
pool = mp.Pool(processes = (mp.cpu_count() - 1)) 
answer = pool.map(countDivisors,random_data) 
pool.close() 
pool.join() 

在这里，多进程比apply方法快13倍。性能可能会因不同的硬件系统而异，但肯定会提高性能。

结束

这绝不是详尽的列表。还有许多其他方法和技术可以优化Python代码。但是我在数据科学生涯中发现并使用了很多这四个，相信你也会发现它们也很有用。

（编辑：ASP站长网）