Python 3.x 熊猫在使用转置的numpy矩阵时会加速

我试图找出在

numpy

和

pandas

之间标准化日期的更快方法，并使用整个矩阵/数据帧或逐列，我在下面的代码中发现了这种奇怪的行为

将熊猫作为pd导入
将numpy作为np导入
def支架（df）：
res=pd.DataFrame（）
对于df中的col：
res[col]=（df[col]-df[col].min（））/df[col].max（）
返回res
矩阵=pd.DataFrame（np.random.randint（0174000，size=（1000000100）））
矩阵形状
(1000000, 100)
%timeit res=（矩阵-matrix.min（axis=0））/matrix.max（axis=0）
每个回路2.64 s±22.4 ms（7次运行的平均值±标准偏差，每个回路1次）
%计时器（矩阵）
每个回路5.32 s±12.9 ms（7次运行的平均值±标准偏差，每个回路1次）

但当从一个“翻转”的numpy矩阵开始，并将其转置以创建数据帧时

matrix=pd.DataFrame（np.random.randint（0174000，size=（1001000000））.T）
矩阵形状
(1000000, 100)
%timeit res=（矩阵-matrix.min（axis=0））/matrix.max（axis=0）
每个回路2.37 s±18.5 ms（7次运行的平均值±标准偏差，每个回路1次）
%计时器（矩阵）
每个回路1.2 s±8.06 ms（7次运行的平均值±标准偏差，每个回路1次）

一列一列地执行标准化的速度提高了约4倍

此行为仍然使用

.values

或

numpy

操作，如下所示：

%timeit res=（matrix.values-matrix.min（axis=0）.values）/matrix.max（axis=0）.values
每个回路2.58 s±417 ms（7次运行的平均值±标准偏差，每个回路1次）
%计时器（矩阵）
每个回路5.26 s±42.4 ms（7次运行的平均值±标准偏差，每个回路1次）
%timeit res=np.除法（np.减法（矩阵值，矩阵最小值（轴=0）.值），矩阵最大值（轴=0）.值）
每个回路2.17 s±7.32 ms（7次运行的平均值±标准偏差，每个回路1次）
#翻转矩阵转置
矩阵=pd.DataFrame（np.random.randint（0174000，size=（1001000000））.T）
矩阵形状
(1000000, 100)
%timeit res=（matrix.values-matrix.min（axis=0）.values）/matrix.max（axis=0）.values
每个回路2.2 s±8.82 ms（7次运行的平均值±标准偏差，每个回路1次）
%计时器（矩阵）
每个回路1.33 s±190 ms（7次运行的平均值±标准偏差，每个回路1次）
%timeit res=np.除法（np.减法（矩阵值，矩阵最小值（轴=0）.值），矩阵最大值（轴=0）.值）
每个回路2.46 s±166 ms（7次运行的平均值±标准偏差，每个回路1次）

---

有人能解释为什么从反向矩阵开始，然后在创建数据帧之前对其进行转置会改变性能吗？从非反向矩阵开始的w.r.t.

转置数组具有

order='F'

，列顺序。与数据帧的系列方向相匹配的。您的

stand

函数正在跨列迭代，一次处理一列或一系列。转置的数组具有

order='F'

，列顺序。与数据帧的系列方向相匹配的。您的

stand

函数正在跨列迭代，一次处理一列或一系列。