Python 通过从SQL DB导入的pd Dataframe子集改进性能循环

一般来说，我不熟悉python/编码。我花了一段时间才写出下面的代码（非常自豪），但现在我遇到了性能问题——不知道如何解决它们

我的任务如下： 每个产品都有一个交货时间和一个生产时间戳。生产时间可从交货前1天15:00到交货前30分钟。我想将每个交付小时的生产时间累计为15分钟，并在每个时间间隔内对生产的单元执行几个简单的操作 （并非所有功能都是内置的） -数量加权平均价格、总数量（总和）、标准差等

我的问题是： 该数据集由大约1100万个数据点组成。计算6个月的值花费了我24个多小时。我尝试循环执行sql查询，只导入了15分钟的周期，但结果更糟

我的问题: 你认为有什么方法可以提高这个操作的性能吗？ 这将是惊人的欢迎使用python！您的代码将是一个很好的起点：）

也就是说，随着数据集的增长，每次调用：

df['some_column']==some_variable

越来越贵了。如果您在处理2天的数据时表现良好，但在扩展到6个月后表现有所下降，那么这可能就是罪魁祸首

尝试通过在SQL查询的末尾添加

orderbystartoffelivery

对数据进行预排序。然后将数据帧拆分为数据帧列表，其中每个子帧仅包含循环体内部所需的15分钟增量记录

然后，您可以将该列表作为主循环进行迭代，而不是：

while (dt <= end_date):

---

while（dt）您的数据库管理系统的聚合功能肯定是一个更好的起点
df['some_column']==some_variable

while (dt <= end_date):