Python代码运行数小时，没有结果或错误

我正在运行以下代码。它已经运行了几个小时，没有任何结果。它使用一个称为df的1000行数据帧。它首先创建一个空矩阵，然后用原始数据帧中的值差（car）填充它。任何帮助都将不胜感激

d_iff = np.empty(shape=(1000,1000), dtype="float")
for i in range(1000):
  for j in range(1000):
    d_iff [i,j] = np.square(((df.car[i] - df.car[j])/0.5)) + np.square (((df.table[i] - df.table[j])/10))

---

你不能把它矢量化吗？放下内环，执行

d_iff[i，：]=np.square（（（df.car[i]-df.car[：]）/0.5））+np.square（（（df.table[i]-df.table[：]）/10）

（如果这很愚蠢，请不要责骂我）小时间选项：将

df.car[i]

和

df.table[i]

的值存储在局部变量中，以避免一直访问它们。你也用100100测试过吗？如果你想优化，你的想法是用更少的值来做一些事情，并尝试用这个设置来减少时间。然后，增加。我认为访问numpy数组很慢。它们不会被用作提高效率的载体。尝试转换为列表，并让我们知道它是如何进行的。你能发布一个示例数据集（5行），简要描述你试图实现的目标和预期/期望的数据集吗？它最终成功了。我很抱歉，但在我运行的代码中，我在循环中包含了另一个步骤，我认为这会减慢速度。你不能将其矢量化吗？放下内环，执行

d_iff[i，：]=np.square（（（df.car[i]-df.car[：]）/0.5））+np.square（（（df.table[i]-df.table[：]）/10）

（如果这很愚蠢，请不要责骂我）小时间选项：将

df.car[i]

和

df.table[i]

的值存储在局部变量中，以避免一直访问它们。你也用100100测试过吗？如果你想优化，你的想法是用更少的值来做一些事情，并尝试用这个设置来减少时间。然后，增加。我认为访问numpy数组很慢。它们不会被用作提高效率的载体。尝试转换为列表，并让我们知道它是如何进行的。你能发布一个示例数据集（5行），简要描述你试图实现的目标和预期/期望的数据集吗？它最终成功了。我很抱歉，但在我运行的代码中，我在循环中包含了另一个步骤，我认为这会减慢速度。