Python 大熊猫比小熊慢很多？

下面的代码表明pandas可能比numpy慢得多，至少在函数clip（）的特定情况下是如此。令人惊讶的是，在用numpy进行计算的同时，从熊猫到numpy再回到熊猫的往返行程仍然比用熊猫进行计算快得多

熊猫功能不应该以这种迂回的方式实现吗

In [49]: arr = np.random.randn(1000, 1000)

In [50]: df=pd.DataFrame(arr)

In [51]: %timeit np.clip(arr, 0, None)
100 loops, best of 3: 8.18 ms per loop

In [52]: %timeit df.clip_lower(0)
1 loops, best of 3: 344 ms per loop

In [53]: %timeit pd.DataFrame(np.clip(df.values, 0, None))
100 loops, best of 3: 8.4 ms per loop

在master/0.13（很快发布）中，这要快得多（由于处理对齐/dtype/nans，比本机numpy稍微慢一点）

在0.12中，它是每列应用的，因此这是一个相对昂贵的操作

In [4]: arr = np.random.randn(1000, 1000)

In [5]: df=pd.DataFrame(arr)

In [6]: %timeit np.clip(arr, 0, None)
100 loops, best of 3: 6.62 ms per loop

In [7]: %timeit df.clip_lower(0)
100 loops, best of 3: 12.9 ms per loop

---

没关系，因为pandas在ClippingGi的基础上进行了大量的数据检查、转换和其他工作，所以当@alko枚举时，发现所有的pandas开销时，pandas也措手不及。索引是另一个将大熊猫与裸体区分开来的现实。看看这篇演讲，了解一些关于头顶上熊猫的评论和影响，以及一系列丰富的比较，并非所有的numpy和pandas。然而，引入

.values

的示例进行了直接比较。